LLM大语言模型应用方案之RAG检索增强生成的实现步骤。

0.我理解的RAG

什么是RAG?

RAG的全称是"检索增强生成模型"(Retrieval-Augmented Generation)。这是一种特别聪明的大语言模型。

RAG是怎么工作的呢?

1.检索:当你问RAG一个问题时,它会先去"图书馆"里找相关的信息。这些"图书馆"里有很多知识和数据。

2.生成 :找到了相关的信息后,RAG会用这些信息来生成一个回答。

为什么RAG很厉害?

有时候,大语言模型可能会不记得所有的细节,但RAG可以通过检索来找到需要的具体信息,然后再回答你的问题。这就像是你问一个问题,RAG先去查了一下百科全书,然后再告诉你答案,所以回答会更准确。

举个例子:

问:"世界上最高的山是什么?"

RAG做了什么:

1.去"图书馆"查找关于最高山的资料。

2.找到了珠穆朗玛峰是世界上最高的山。

3.回答:"世界上最高的山是珠穆朗玛峰,高约8848米。"

这样,通过先检索再生成答案,RAG可以提供准确而有用的回答。

这其中去"图书馆"查找关于高山的资料,我们就可以通过一些方法,将自己拥有的数据进行处理,让大语言模型结合我们问的问题在我们处理后的数据中寻找答案。

1.我的RAG程序的执行流程

  • 模型初始化

    初始化一个大语言模型(LLM)和一个嵌入模型(embedding模型)。

  • 读取文档进行数据分割

    将文档交给代码进行读取,将长文档分割成较小的部分,以便处理。

  • 向量处理

    将分割后的文档数据通过嵌入模型进行向量化处理,生成每个文档段落的向量表示。

    将向量化处理后的数据保存到数据库中。

  • 检索流程

    创建一个包含检索和生成步骤的处理链。

  • RAG链包括以下步骤:

  • 创建检索器

    从向量存储的数据库中创建检索器,在检索时使用余弦距离来衡量向量之间的相似度。 检索器用于检索与输入问题相关的文档内容。

  • 加载提示词模板

    加载提示词模板,用于指导大语言模型生成回答。

  • 格式化检索到的文档

    将检索到的相关文档内容通过格式化函数转换为一个字符串,方便后续处理。

  • 调用处理链处理输入问题

    输入的问题首先通过检索器检索相关文档。

    然后结合提示词模板和格式化后的文档内容,传递给大语言模型。

    大语言模型生成一个准确的回答。

2.效果

在我的提示词模板中, 说明了,如果文档中不存在的内容,只需要回答不知道就可以了。

相关推荐
学无止境小袁同学27 分钟前
LangGraph 深度指南
语言模型·框架·agent·并发·上下文·langgraph·长期记忆
yiangL_1 小时前
Python 学习笔记:递归、turtle绘图、字符串与函数
笔记·python·学习
优化Henry3 小时前
LTE 站点 S1 链路反复闪断导致小区频闪退服故障排查
运维·网络·学习·信息与通信·tdd
一起学安全技术4 小时前
拆大模型 10|结构化输出:让模型返回数据,而不是一段话
人工智能·语言模型·json
β添砖java8 小时前
Transformer大白话学习笔记
笔记·学习·transformer
kevin_org12 小时前
LangChain入门学习(四)
python·学习·langchain·fastapi
瑞克-桑切斯1 天前
Kubernetes 1.28 保姆级新手学习教程
运维·学习·docker·云原生·容器·kubernetes
kaixin_啊啊1 天前
【三种鲑科鱼类比较基因组学分析鉴定出参与细胞内寄生菌鲑立克次体抗性的功能候选基因】论文学习
学习
CappuccinoRose1 天前
Redis 学习文档
redis·后端·学习·缓存·session·非关系型数据库·gossip
qingwufeiyang_5301 天前
Docker学习笔记2
笔记·学习