RAG理论到实战(一)：3分钟！了解什么是RAG!
RAG理论到实战(一)：3分钟！了解什么是RAG!
RAG（检索增强生成）技术是当前AI领域的前沿技术，它结合了检索和生成式两种技术，让AI大模型能够更准确地回答问题。本文将从基本概念、工作原理、必要性及具体架构等方面，为您详细介绍这一重要技术。
什么是RAG？
RAG（Retrieval-Augmented Generation）中文名字叫检索增强生成技术。RAG听名字就能知道，是结合了检索 和 生成式（llm）两种技术，从而让AI大模型（LLM）更能准确的回答问题而催生出来的解决方案。
通俗的讲解
以上说的可能略微难懂，我们可以换一种通俗的说法。
设想下，当有人让你背诵一篇课文，你记不清楚，你会会怎么做？
你会翻书查看，然后在回答问题！
RAG就是可以看作类似的过程。当你像AI提问一个问题，RAG会先去知识库中检索相关片段，然后把问题和找到的知识片段一起扔给大模型来回答
这样AI大模型就能够更加准确的回答你的问题了！
为什么需要RAG？
AI生成式大模型技术（LLM）的确很惊艳，让所有使用过的人都震惊到。但是这项技术虽然经历一年多的高速发展，依旧还是有很多问题。
大模型幻觉：使用过chatGPT等AI的都能有体会，当你问的问题让AI回答不上来，它会随便编造一些内容给你。
知识库有时效性：很多AI大模型（例如chatGPT-3.5）训练使用的数据是旧数据，而不是实时更新的。我们如果为了更新知识而重新训练或者微调它，那可就花费太高的成本了。况且每次更新都重新训练或微调也是不现实的！
长文本处理：AI大模型是有输入限制的，虽然现在推出了很多长文本的模型，但终究是有度。
那么？如果使用RAG，以上的问题都能解决吗？
答案：是的！
RAG的资料库就相当于AI的资料书，回答问题前先看书，大难更准确。而且，更新资料库比训练或者微调模型简单多了，上传文档处理下就ok；
大模型就是相当于一个大学生，经历了9年义务教育+4年大学学习，让AI大学生掌握很多知识。RAG就相当于给大学生配备了百度和资料书。通过此方法让AI大学生能更准确，处理更多的问题。
RAG的具体架构
RAG技术目前发展比较迅速，具体的实现方式有很多。我只介绍一个简单的常用的方式，具体架构见下图。
我们读取知识文本。输入的格式可以是word、pdf、csv、纯文本、excel等。只要是能够转为纯文本就可以。
那么有人可能问了，不是纯文本不行吗？不是纯文本，比如数据库文件，或者图片的确有难度（有些情况就是无法处理）。目前我们先把最简单的纯文本模式走通。
通过上图可以看出，我们核心的部分有：知识获取、嵌入模型、向量数据库、检索、调用AI回答。后续会挨个详细介绍。