概述:RAG(检索增强生成)是一种结合信息检索和生成模型的技术,允许用户将自己的数据与大型语言模型(LLM)结合,生成更精确和上下文相关的输出。这篇文章将简要介绍RAG的基本概念,并提供一个简化的教程,帮助初学者从零开始构建RAG应用程序。
一、学习RAG的挑战
在快速变化的AI领域中,特别是关于RAG,存在大量噪音和复杂性。供应商往往将其过度复杂化,试图将他们的工具、生态系统和愿景注入其中。本教程旨在帮助初学者消除这些干扰,专注于从头构建一个简单的RAG系统。
二、什么是检索增强生成(RAG)
RAG的核心思想是通过检索工具将用户的自有数据添加到传递给大型语言模型的提示中,以此生成输出。相比单纯依赖预训练模型,这种方法带来了多项优势:
- 避免幻觉:通过在提示中包含事实信息,减少LLM产生幻觉的风险。
- 参考事实:允许用户在回应查询时参考真实数据,验证潜在问题。
- 利用未训练数据:可以使用LLM未曾训练过的数据。
三、RAG系统的基本组件
一个RAG系统由以下几个组件构成:
- 文档集合(语料库)
- 用户输入
- 文档集合与用户输入之间的相似性度量
四、RAG系统的操作步骤
- 接收用户输入
- 执行相似性测量
- 对用户输入和检索到的文档进行后处理
初学者可以通过以下步骤从头构建一个RAG系统,并逐步学习复杂的变体。
五、示例:构建最简单的RAG系统
1. 获取文档集合
首先,我们定义一个简单的文档集合:
corpus_of_documents = [
"Take a leisurely walk in the park and enjoy the fresh air.",
"Visit a local museum and discover something new.",
"Attend a live music concert and feel the rhythm.",
"Go for a hike and admire the natural scenery.",
"Have a picnic with friends and share some laughs.",
"Explore a new cuisine by dining at an ethnic restaurant.",
"Take a yoga class and stretch your body and mind.",
"Join a local sports league and enjoy some friendly competition.",
"Attend a workshop or lecture on a topic you're interested in.",
"Visit an amusement park and ride the roller coasters."
]
2. 定义与执行相似性度量
为了比较用户输入和文档集合的相似性,我们可以使用Jaccard相似度。Jaccard相似度是指两个集合的交集除以并集的大小。以下是一个简单的实现:
def jaccard_similarity(query, document):
query = query.lower().split(" ")
document = document.lower().split(" ")
intersection = set(query).intersection(set(document))
union = set(query).union(set(document))
return len(intersection)/len(union)
接下来,我们定义一个函数来返回与用户输入最相似的文档:
def return_response(query, corpus):
similarities = []
for doc in corpus:
similarity = jaccard_similarity(query, doc)
similarities.append(similarity)
return corpus_of_documents[similarities.index(max(similarities))]
3. 运行示例
我们可以通过以下代码运行一个简单的示例:
user_prompt = "What is a leisure activity that you like?"
user_input = "I like to hike"
response = return_response(user_input, corpus_of_documents)
print(response)
输出将是:
'Go for a hike and admire the natural scenery.'
恭喜,您已经构建了一个基本的RAG应用程序!
六、改进相似性度量与添加LLM
虽然我们使用了简单的Jaccard相似度来学习,但它在处理语义上存在局限。为了进一步提升生成效果,我们可以引入大型语言模型(LLM)进行后处理。以下是一个集成开源LLM的简单示例:
import requests
import json
def query_llama(user_input, document):
# 假设你有一个运行的LLM服务,可以发送HTTP请求获取生成的文本
url = "http://localhost:8000/query" # LLM服务的URL
payload = {
"prompt": f"User input: {user_input}\nDocument: {document}\nResponse:",
"max_tokens": 50
}
headers = {"Content-Type": "application/json"}
response = requests.post(url, data=json.dumps(payload), headers=headers)
return response.json().get("text")
response_with_llm = query_llama(user_input, response)
print(response_with_llm)
以上代码示例演示了如何将检索到的文档与用户输入结合,使用LLM生成更准确的响应。
最后分享
AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。
学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。
这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!
1. 成长路线图&学习规划
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
这里,我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的,我们精选了一系列深入探讨大模型技术的书籍和学习文档,它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。(书籍含电子版PDF)
3. 大模型视频教程
对于很多自学或者没有基础的同学来说,书籍这些纯文字类的学习教材会觉得比较晦涩难以理解,因此,我们提供了丰富的大模型视频教程,以动态、形象的方式展示技术概念,帮助你更快、更轻松地掌握核心知识。
4. 大模型项目实战
学以致用 ,当你的理论知识积累到一定程度,就需要通过项目实战,在实际操作中检验和巩固你所学到的知识,同时为你找工作和职业发展打下坚实的基础。
5. 大模型面试题
面试,不仅是技术的较量,更需要充分的准备。在你已经掌握了大模型技术之后,就需要开始准备面试,我们将提供精心整理的大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。
全套的AI大模型学习资源已经整理打包,有需要的小伙伴可以微信扫描下方CSDN官方认证二维码,免费领取【保证100%免费
】
如有侵权,请联系删除。