像GPT-4这样的大型语言模型（LLM），虽然能生成强大且通用的自然语言，但也严重受限于训练数据的边界。为解决这一问题，近期业界热议基于RAG（检索增强生成）的系统——但究竟什么是RAG？它能做什么？为何值得关注？
本文将深入解析：
-
• RAG的核心原理
-
• 如何实现基于RAG的LLM应用（附完整代码示例）
什么是RAG？
检索增强生成（Retrieval Augmented Generation, RAG）是一种自然语言处理技术，它使ChatGPT等大型语言模型（LLM）能够生成超出其训练数据范围的自定义输出。没有RAG的LLM应用，就如同要求ChatGPT总结一封邮件却不提供邮件原文作为上下文。
RAG系统由两大核心组件构成：检索器和生成器。
检索器负责从知识库中搜索与输入最相关的信息片段，生成器则基于预定义的提示模板，利用检索结果构造提示词序列，最终生成与输入连贯且相关的响应。优秀的RAG系统是优秀检索器与生成器协同工作的产物——这也是当前大多数LLM评测指标专注于评估检索器或生成器的根本原因。
以下是RAG架构的示意图：
一个典型的RAG架构
在多数场景中，知识库由存储于向量数据库（如ChromaDB）中的向量嵌入（Vector Embeddings）构成。检索器的工作流程如下：
-
1. 在运行时将用户输入编码为高维向量（如使用OpenAI的
text-embedding-3-small模型） -
2. 在向量空间中检索与输入向量最相关的Top-K结果（注：K为可调超参数，通常取5-10）
-
3. 根据余弦相似度或欧氏距离对结果进行排序（距离越小，相关性越高）
检索结果随后被处理成提示词序列，传递至生成器——即你选用的LLM（如GPT-4、LlaMA 2等）。
一个检索器
对于技术上想了解的更加深入的用户，下面是检索器用于提取高相关性结果的常用模型及其原理：
-
1. 神经网络嵌入模型（如OpenAI/Cohere的嵌入模型） ：
通过将文档映射到多维向量空间，基于向量位置邻近度对文档排序。该方法能理解输入文本与文档库之间的语义关联及相关性。 -
2. 最佳匹配25（BM25） ：
一种提升文本检索精度的概率检索模型。通过结合词频（term frequency）和逆文档频率（inverse document frequency），量化词项重要性，确保常见词与罕见词均影响相关性排序。 -
3. 词频-逆文档频率（TF-IDF） ：
计算词项在单个文档中的重要性（相对于整个语料库）。通过对比词项在文档中的出现频率与其在语料库中的稀缺性，生成全面的相关性排序。 -
4. 混合搜索（Hybrid Search） ：
为不同方法（如神经网络嵌入、BM25、TF-IDF）分配差异化权重，优化搜索结果的相关性。
应用场景
检索增强生成（RAG）通过结合文本检索与生成能力提升响应质量，已在多个领域实现广泛应用。基于Confident公司与多家企业合作开发LLM应用的经验，以下是排在前四的应用场景：
-
1. 客户支持/用户引导聊天机器人
-
• 从内部文档中检索数据，生成个性化回复。
-
-
2. 数据提取
-
• 从PDF等文档中提取关键信息。
-
-
3. 销售支持
-
• 从LinkedIn个人资料及邮件历史中检索数据，生成个性化外联消息。
-
-
4. 内容创作与优化
-
• 基于历史对话数据生成建议回复。
-
在接下来的章节中，我们将构建一个通用问答（QA）机器人，你可通过调整以下两个核心组件，将其功能定制为前文所述的任意场景。
项目配置
我们将基于你的专属知识库，打造一个智能问答（QA）聊天机器人。本文暂不涉及知识库的索引构建（后续会单独详解），重点聚焦机器人核心功能的实现。
我们将使用Python，ChromaDB作为向量数据库，OpenAI负责生成文本向量嵌入及对话补全，整个项目将基于你指定的维基百科页面构建聊天机器人。
准备工作
第一步，新建项目目录并安装必要依赖库：
mkdir rag-llm-app
cd rag-llm-app
python3 -m venv venv
source venv/bin/activate你的控制台现在应该是这样：
(venv)
安装依赖
pip install openai chromadb 新建 main.py 文件（项目的核心入口）：
touch main.py 获取API密钥
-
1. 访问 OpenAI平台获取API密钥（如果还没有）。
-
2. 在终端中设置环境变量：
export OPENAI_API_KEY="你的OpenAI_API密钥" 构建基于RAG的LLM应用
首先创建一个检索器类（Retriever） ，用于根据用户问题从ChromaDB中检索最相关的数据。
操作步骤：
-
1. 打开
main.py文件 -
2. 粘贴以下代码：
import chromadb
from chromadb.utils import embedding_functions
import openai
client = chromadb.Client()
client.heartbeat()
class Retriver:
def __init__(self):
pass
def get_retrieval_results(self, input, k):
openai_ef = embedding_functions.OpenAIEmbeddingFunction(api_key="your-openai-api-key", model_name="text-embedding-ada-002")
collection = client.get_collection(name="my_collection", embedding_function=openai_ef)
retrieval_results = collection.query(
query_texts=[input],
n_results=k,
)
return retrieval_results["documents"][0]此处的 openai_ef 是 ChromaDB 内部使用的嵌入函数，用于将输入文本转化为向量。当用户向聊天机器人发送问题时，系统会通过 OpenAI 的 text-embedding-ada-002 模型生成该问题的向量嵌入，随后在 ChromaDB 的 collection 向量空间（已包含你的知识库数据，本教程默认你已完成数据索引）中执行向量相似性搜索。此过程可检索出与输入最相关的 Top K 条结果。
在定义完检索器后，粘贴以下代码创建生成器：
class Generator:
def __init__(self, openai_model="gpt-4"):
self.openai_model = openai_model
self.prompt_template = """
You're a helpful assistant with a thick country accent. Answer the question below and if you don't know the answer, say you don't know.
{text}
"""
def generate_response(self, retrieval_results):
prompts = []
for result in retrieval_results:
prompt = self.prompt_template.format(text=result)
prompts.append(prompt)
prompts.reverse()
response = openai.ChatCompletion.create(
model=self.openai_model,
messages=[{"role": "assistant", "content": prompt} for prompt in prompts],
temperature=0,
)
return response["choices"][0]["message"]["content"]在 generate_response 方法中，我们基于检索器提供的 retrieval_results构建了多级提示模板。这些提示被发送至 OpenAI 接口，驱动大模型生成最终回答。通过RAG 架构，你的问答机器人能够融合检索结果与生成能力，输出高度定制化的响应！
现在将所有组件整合，形成完整流程：
class Chatbot:
def __init__(self):
self.retriver = Retriver()
self.generator = Generator()
def answer(self, input):
retrieval_results = self.retriver.get_retrieval_results(input)
return self.generator.generate_response(retrieval_results)
# Creating an instance of the Chatbot class
chatbot = Chatbot()
while True:
user_input = input("You: ") # Taking user input from the CLI
response = chatbot.answer(user_input)
print(f"Chatbot: {response}")你已成功构建首个基于 RAG（检索增强生成） 的聊天机器人。
总结
通过本文，你已掌握：
-
1. RAG的核心原理：融合检索与生成能力提升模型表现
-
2. RAG的典型应用场景：客户支持、数据提取、销售支持等
-
3. RAG应用开发全流程：从向量数据库搭建到生成逻辑集成
不过你可能已发现，自主构建RAG应用涉及复杂工程（如数据索引、检索优化），这并非易事。幸运的是，现有开源框架（如 LangChain 和 LlamaIndex）能大幅简化开发流程，助你快速实现本文演示的所有功能。
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🆓↓↓↓
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。
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)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
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
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 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🆓↓↓↓
扫一扫
251
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
