手把手系列｜一篇文章教会你使用有RAG功能的CAMEL框架（附教程）

LLM教程

于 2025-05-03 13:45:00 发布

阅读量1.2k

点赞数 32

文章标签：人工智能大模型部署程序员 langchain LLM RAG 知识库

本文链接：https://blog.csdn.net/AAI666666/article/details/147605292

版权

在本教程中，我们将简短地介绍检索增强生成RAG (Retrieval-Augmented Generation)的组成部分，并详细介绍如何在CAMEL框架中使用Customized RAG和Auto RAG。备注：本次搭建使用Milvus作为默认向量存储。

RAG组成部分

检索增强生成 (Retrieval-Augmented Generation, RAG) 是一种结合了基于检索和基于生成方法的高级自然语言处理方法，用于提升语言模型的性能。在RAG模型中，有两个主要组成部分：

1.检索器 (Retriever)

这个组件负责从大型数据库或知识库中检索相关信息。检索器使用查询或提示词搜索与输入内容匹配的相关文档、段落或句子。

2.生成器 (Generator)

这个组件是一个语言模型，基于输入查询和检索到的信息生成文本。生成器使用检索到的信息，生成连贯且流畅的回答。

RAG架构通过基于检索器和生成器，提高生成文本的准确性和相关性。检索器为生成器提供了相关的上下文和信息，帮助生成过程。具备RAG的智能体具有更高的准确性、最新的知识和改进的泛化能力。自定义RAG（Customized RAG）是专门针对某个领域进行手动微调的，适用于特定的应用场景。而自动化RAG（Auto RAG）则通用程度更高，能够动态地检索和生成回应，适合更广泛、较不专业的使用场景。

使用支持RAG的camel框架

加载CAMEL论文

首先，我们要加载CAMEL论文，大家可以点击以下网址找到论文https://arxiv.org/pdf/2303.17760.pdf,这将作为我们的本地示例数据。在这里插入图片描述

自定义RAG

我们在本小节会设置自定义RAG的Pipeline，以VectorRetriever为例。我们将使用OpenAI Embedding作为嵌入模型，因此需要在下面设置OPENAI_API_KEY。在这里插入图片描述
导入并嵌入实例：
导入并设置向量存储实例（访问Milvus官网获取Milvus URL和Token）：
导入并设置检索器实例：
我们使用集成的Unstuctured Module 将内容拆分成小块，每小块的最大字符数为500。拆分后的文本都会嵌入并存储到向量存储实例中。在这里插入图片描述
现在我们可以通过向量存储去检索信息。在默认情况下，它会返回与最高余弦相似度得分最高的文本内容。且相似度得分应该要高于0.75，以确保检索和查询的内容是相关的。你也可以根据需要去更改top_k值和similarity_threshold值。返回的字符串列表包括：

相似度得分
内容路径
元数据
文本

在这里插入图片描述
那让我们来尝试一个不相关的查询，将检索不到相关内容：

自动化RAG

本小节中，我们将使用默认运行AutoRetriever，它使用OpenAIEmbedding作为默认的嵌入模型，使用Milvus作为默认的向量存储。你需要做的是：1. 设置内容输入路径，可以是本地路径或远程URL。
2. 设置Milvus的远程URL和API密钥。
3. 提供一个Query。在这里插入图片描述

ChatAgent

我们将展示如何结合AutoRetriever和一个ChatAgent。首先，让我们设置一个智能体函数，在这个函数中，我们可以通过提供一个Query从而获取回应。在这里插入图片描述

再导入并设置向量存储实例（访问Milvus官网获取Milvus URL和Token）：
那现在就让智能体告诉你什么是CAMEL AI吧！

END

大家可以使用不同Query进行尝试哦！

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望