前言

RAG（Retrieval Augmented Generation 检索增强生成）是目前业界中的一种主流方法，通过增加额外知识的方式来减少大语言模型（LLM）的幻觉问题（一本正经的胡说八道）。

RAG 系统概览

如上图所示，RAG 系统可以分为两个部分：

• Indexing：构建知识库。

• Retrieval & Generation：从知识库中获取相关信息，然后生成结果。

Indexing 构建知识库的过程可以分为四步：

1. Load：加载 PDF、doc、markdown、web 等等形式的知识数据。

2. Split：由于 LLM 上下文大小的限制，需要将文档进行切割。

3. Embedding：将文本转换为向量。

4. store to VectorDB：将文本内容和向量存储至向量数据库，即知识库。

Retrieval & Generation 的过程也是四步：

1. Embedding：将用户提出的问题转换为向量。

2. search VectorDB：从知识库中查询与问题语义相近的文本段落。

3. prompt：将检索出来的文本段落与用户问题合并，生成 prompt。

4. LLM：将 prompt 提交给大语言模型，得到最终答案。

从上述过程中可以看到，相较于直接把问题提交给 LLM 得到答案，RAG 系统额外构建了一个知识库，并且会把问题跟已有知识相结合，生成新的 prompt 后再提交给 LLM 得到答案。 换句话说，RAG 系统就是在用户提出的问题之外，额外增加了一些上下文/背景信息，这些信息可以是实时信息、也可以是专业领域信息，以此从 LLM 得到更好的回答。

RAG 系统示例

在本示例中，我将使用 langchain、Redis、llama.cpp 构建一个 kubernetes 知识库问答。

langchain 是一个工具包，Redis 被我用作向量数据库，llama.cpp 是一个开源的加载大语言模型的运行时程序。

我在本地使用了 Docker 容器环境进行开发，通过以下 docker-compose 文件拉取依赖的服务：

代码示例如下：

代码释义：

• 加载文档：使用 langchain 抓取 kubernetes 官方文档页面内容。

• 切割文档：使用 langchain 切割文档。

• 向量化：使用 `sentence_transformers` 将文本转换为向量：

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence"]

model = SentenceTransformer('sentence-transformers/all-mpnet-base-v2')
embeddings = model.encode(sentences)
print(embeddings)

• 存储至向量数据库：将文本和向量存储至 Redis，你也可以使用其它向量数据库。

• 用户提问向量化：使用同样的模型将用户提出的问题转换为向量。

• 向量相似性检索：从向量数据库中检索出与提问相似的文本段落。

• 组合生成 prompt：将检索出来的信息与用户提问一起合并生成新的 prompt。

• 将 prompt 提交给 LLM 得到答案。

最终的测试结果如下：

可以看到，加了上下文之后，LLM 给出的答案更好了。

RAG 面临的挑战

RAG 的每一步几乎都面临挑战：

• 如何加载不同形式的文档数据？这一步问题倒不大。

• 如何切割文档？切割的效果影响了 prompt 的上下文信息，因此也会影响 LLM 生成的结果。

• 如何做 embedding，选择哪种模型？

• 选择哪个向量数据库？常见的技术选型问题。

• 如何将检索出来的信息与用户提问一起合并成新的 prompt？prompt 本来就可以五花八门。

• 选择哪个 LLM 以及运行时？就模型而言，Llama 系列算是最火的开源模型了；而运行时则有 llama.cpp（或者在其之上封装的 Ollama）、HuggingFace/transformers、vLLM 等等。

总结

RAG 系统通过引入知识库，扩展了 LLM 对专业领域和实时信息的支持能力，使其在回答专业问题时更加准确高效。

最后的最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】