RAG学习全流程，存一下吧很难找全了
最近一年，LLM展示了强大的能力，但是面对幻觉、最新的知识以及复杂任务时往往略显不足。RAG（Retrieval Augmented Generation，检索增强生成）通过集成外部知识库来解决类似问题，取得了很不错的效果。
这里，我整理RAG相关的方案、优化手段、评估指标等内容，以便对RAG有更全面的了解。此外，也介绍了最常用的一些向量数据库和RAG框架。
RAG（检索增强生成）技术
传统的方式是问题通过解析后形成问题正文然后传导给大模型，大模型完成回答
RAG又称为“检索增强生成”。RAG流程，我们需要从整个流程来回溯一下：
- 1、首先用户提出问题，这个问题从始至终不会发生变化
- 2、然后我们需要理解用户的问题，知道用户提问的意图和方向
- 3、接下来就是我们需要根据用户的问题，去检索我们的知识库，找到与用户问题相关的信息，查找出与之相关的的文档或者文本内容
- 4、最后我们需要将这些文档或者文本内容进行整合，组成一个完整的提示词，提供给大语言模型用于生成
- 5、最后通过大语言模型生成相对精确的答案，返回给用户
我把RAG学习全流程已经整理📚好了，希望对大家有帮助！
篇幅有限，就不一一展示了