目录
一.先看一个问题
1.痛点：大模型无法回答私有知识相关的问题
当我们问大模型一些公司私有的东西，它并不能做出回答，尽管可以开放大模型的联网功能，查询网络上的相关信息，但是我所问的是公司内部的私有知识，网上也没有相关信息，所以大模型根本不可能回答出来这个问题。
2.解决方案：搭建一个RAG知识库
我们可以搜集这些私有的知识（比如公司手册、管理手册、内部文件等等内部资源），然后把这些知识存到一个地方（RAG知识库），从而供大模型后续参考，这样大模型就能回答公司的内部知识了。
二.什么是RAG知识库？
1.定义
RAG知识库（Retrieval-Augmented Generation Knowledge Base） 是一种结合了信息检索 和大语言模型生成能力 的智能系统。它的核心目标是让AI在回答问题时，能够从指定的、可靠的资料库中获取信息，而不是仅仅依赖训练时学到的通用知识，从而生成更准确、可靠且可追溯的答案。
2.RAG知识库的工作原理
①没挂RAG知识库的场景
没挂RAG知识库时，我们只能问大模型一些通用的问题，而无法获取未公开的知识（比如公司内部架构、管理制度、内部系统使用方法等等）。因为你们公司内部的知识，大模型不可能知道，所以根本回答不了。
②外挂RAG知识库的场景
如下图，当用户问一些未公开的内部问题时，Java后端会先根据问题，去RAG知识库找响应的知识片段，然后java后端带着这些知识片段，再调用大模型，这样一来，大模型就知道未公开的知识了，也就可以回答你问的未公开的内部问题了。
3.我们应该关注哪些点？
如下图，灰色部分，langchain4j会替我们解决，我们无需关心。
我们要关注的就红圈的两点：
①RAG知识库如何搭建？
②如何根据用户的提问，从RAG知识库检索出相关的知识片段？
这两点后续文章会详细讲解。
三.向量数据库
1.为什么学习向量数据库？
我们可以使用向量数据库，来实现RAG知识库这个需求。
2.向量数据库有哪些？
3.什么是向量？（高中知识，看看就行）
在数学中，表示大小和方向的量。
4.余弦相似度（要求不高，记住结论即可）
如下图，θ是两个向量的夹角，那cosθ就是所谓的余弦相似度。
下面取两个极限情况：
①当两个向量重合，夹角为0，余弦相似度最大，为1
②当两个向量垂直，夹角为90°，余弦相似度最小，为0
结论：余弦相似度越大，说明向量方向越接近
5.由二维向量，拓展到N维向量（道理相同，一点都不难）
由于我们RAG知识库，存的知识片段，抽象成一个向量时，肯定不是二维的，而是几百~几千个维度的，但是无论多少个维度，道理都是相同的。如下：
四.如何使用向量数据库，存储数据？
1.流程图
①将公司内部的未公开的知识，存储到文档（Document）中
②借助文本分割器（Text Splitter），将文档分割成一个个小的文本片段（知识片段）
③借助于向量模型（专门用于将文本进行向量化的大模型），将文本片段（知识片段）转换成向量
④将每一个向量及其对应的文本片段（知识片段），存到向量数据库即可。
2.举例
五.如何从向量数据库中，检索出和用户问题相关的文本片段？
1.流程图
①将用户问的问题，使用向量模型，转化成向量
②拿着这个向量，和向量数据库中存储的向量进行比对，计算它们之间的余弦相似度
③把满足要求（比如余弦相似度必须大于0.6）的向量拿出来，得到对应的文本片段（知识片段）
④将用户的问题、检索出的文本片段（知识片段）结合，一块发给大模型，获取答案
2.举例
总结
以上就是本篇文章的全部内容，喜欢的话可以留个免费的关注呦~~~