跳到主要内容

检索增强生成 (RAG), 快速入门

在当今世界，可获取的信息量呈指数级增长，重要的细节往往淹没在数据流中。RAG 是一种创新的方法，它结合了向量搜索和语言模型的力量，可以在几秒钟内从庞大的知识库中获得相关的答案。掌握 RAG，让你的聊天机器人不仅仅是随机事实的来源，而是一个真正的专家，能够准确、快速和令人信服地回答问题。

到 2025 年，90% 的 GenAI 职位都需要 RAG 知识

问题​

  • RAG 分为哪些步骤？
  • 为什么需要 A (Augmentation)？
  • R (Retrieve) 如何工作？
  • 需要对数据做什么才能进行 Retrieve？

步骤​

1. 观看 2 个视频​

我有一份 30 兆令牌的咖啡机说明书……但我不想每次都在请求中传递它——我该怎么办？观看第一个视频——你就会知道！

This is David's most beloved channel on YouTube. ⬆️

2. 体验 RAG!​

RAG Playground

3. 如何使用 ipynb？​

Ipynb (Interactive Python Notebook) 是一个交互式笔记本，允许你在一个文档中编写代码、文本、数学公式和结果。

有两种方法可以使用 ipynb：

  1. Google Colab - 在任何浏览器中
  2. VS Code - 本地

4. 现在让我们创建自己的 RAG！​

复制以下 ipynb，并使用代码：

  1. https://python.langchain.com/docs/tutorials/rag/
  2. ✦ https://python.langchain.com/docs/tutorials/qa_chat_history/

额外步骤​

现在我们知道了...​

现在你知道 RAG 是如何工作的，以及每个字母的含义。让我们继续前进！

练习​

在接下来的模块中...​

  1. 为什么需要 RAG？ - 我们将了解何时需要 RAG 方法，以及何时需要其他方法
  2. 嵌入和向量数据库 - 我们将了解文本如何转换为向量以及如何存储它们
  3. ✦ 数据预处理 - 我们将学习如何为 RAG 准备数据
  4. ✦ 混合 RAG - 不仅仅是向量！
  5. ✦ 使用结构化数据 - 我们将学习如何使用大型表格进行 RAG
  6. ✦ 使用其他（除了文本）非结构化数据 - 我们将学习如何使用图像、音频和视频进行 RAG