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
T1an-118 小时前
Axum web框架【实习】
学习·rust
知识分享小能手18 小时前
React学习教程,从入门到精通, React 新创建组件语法知识点及案例代码(11)
前端·javascript·学习·react.js·架构·前端框架·react
@小红花19 小时前
从0到1学习Vue框架Day03
前端·javascript·vue.js·学习·ecmascript
mysla20 小时前
嵌入式学习day45-硬件—汇编
汇编·学习
永日4567020 小时前
学习日记-HTML-day51-9.9
前端·学习·html
xy_recording21 小时前
Day20 K8S学习
学习·容器·kubernetes
Lynnxiaowen21 小时前
今天继续昨天的正则表达式进行学习
linux·运维·学习·正则表达式·云计算·bash
qq_1728055921 小时前
Go 装饰器模式学习文档
学习·golang·装饰器模式
z千鑫1 天前
【OpenAI】性价比极高的轻量级多模态模型GPT-4.1-mini介绍 + API KEY的使用教程!
人工智能·gpt·ai·语言模型·chatgpt
自强的小白1 天前
vlan(局部虚拟网)
网络·学习