超级会员免费看
RAG（检索增强生成）是为了解决大语言模型（LLM）的问题，如幻觉、新鲜度和数据安全。RAG通过结合检索和生成，提供更准确和及时的答案。其工作流程包括数据索引、检索和生成。数据索引涉及数据清洗、embedding和创建索引。检索环节涉及多种技术，如元数据过滤、图关系检索和关键词检索。生成阶段则利用LLM处理检索结果。RAG在企业应用中日益重要，尤其在需要高精度和时效性的场景。
自chatgpt卷过来，我们‘打开’了视野，发现‘什么都想要’成为了可能。但是随着国内开源大模型的开放，越来越多人觉得通用LLM的价值很低（可能是商业利益的驱使）。大家对技术的追逐有变成了应用变现的需求。好吧，任何科技的价值都是商业的价值～
个人理解大模型的应用就是两大类：理解和生成（哈哈，又回到了NLU和NLG的思维上）。在目前主流的LLM应用上，对于NLU的解决方案通常就是RAG（有可能还有其他，请允许我的小白）。NLG的应用解决方案也许就是LLM本身的能力吧（哈哈，把它看成人，NLG就是一个人的创新能力）
下面是一位大佬对RAG的总结
大模型主流应用RAG的介绍——从架构到技术细节
原创 这个男人来自千祥 土猛的员外 2023-09-25 18:40 发表于浙江
收录于合集#LLM12个
本文主要内容：
- 大语言模型（LLM）在实际应用中存在的问题；
- 什么是RAG——检索增强生成；
- RAG架构解析
- RAG技术架构的细节展示
写在前面
如果你问我现在基于LLM（大语言模型，本文有时候也会将该名词描述为“大模型”）最火热的
订阅专栏 解锁全文
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
