|
AI幻觉：AI的回答局限在训练数据的范围内，对于超出训练数据范围的问题，就容易一本正经的胡说八道。给大模型外挂知识库，补足其知识短板，可以有效减少AI幻觉问题，这一方法便是RAG。 检索增强生成（RAG，Retrieval-Augmented Generation）是一种AI框架，它通过将大语言模型与外部信息源相整合，来提升模型的输出质量。RAG从外部知识库中检索相关的上下文context，并将这些信息连同用户的问题，一起传递给大语言模型，从而提高输出的准确性和可靠性。 RAG分类：Naive RAG、Advanced RAG、Modular RAG 工作流程： - 当用户提出问题时，系统会先将问题转化为向量表示，随后在向量数据库中进行相似性搜索，向量数据库中储存的是外部知识库信息。
- 向量数据库存储的，并非大量外部知识库的原始内容，而是经过一系列处理，将外部知识库中的知识，转化后所得到的向量数据，当系统检索出相关信息后，将作为问题的上下文相关信息Context来使用。
- 用户的问题与Context相结合，形成一个全新的提示词，接下来这个新提示词会被发送到大语言模型，利用其强大的推理和文本生成能力，生成一个答案。
朴素RAG包含流程：索引、检索和生成。 - 索引
- 数据处理：包括清理和提取原始数据，将PDF、HTML、Word、Markdown 等不同文件格式转换为纯文本。
- 分块：将加载的文本分成较小的块，因为语言模型所能处理的上下文量通常是有限制的。
- 编码：通过嵌入模型将文本编码为向量，生成的向量将用于后续的检索过程，以计算向量与问题向量之间的相似度。
- 创建索引：以键值对的形式存储原始语料块和嵌入，以便将来快速、频繁地进行检索。
- 检索
- 通过嵌入模型将Query（用户输入的查询信息）转换成向量。
- 计算查询向量与输入数据的相似度，根据问题的级别，选择前K个文档块作为当前问题的Context（增强上下文信息）
- 生成
- 用户的查询问题与Context相结合，形成一个全新的提示词。
- 大语言模型根据所提供的提示词生成答案。
解释： 文本分块的质量直接决定了检索的准确性和生成模型的效果，它能显著改善信息检索和内容生成效果，提供更精准相关的结果。 文本块将由Embedding Model（嵌入模型）转换为向量。Embedding Model是一种机器学习模型，可以将高维输入数据，如文本图像转换为低维向量。文本块转换成的向量捕捉了文本的语义信息，从而可以在海量文本库中检索相关内容，不同模型生成的向量数值可能会有所不同。 向量在多维空间中捕捉文本，图像或音频的语义和关联，可以让机器学习算法更轻松地对其进行处理和解读。向量的每个数值表示对象在特定维度上的特征或属性。 通过相似性搜索，在向量空间中寻找与查询向量Query距离最近的邻居，这些邻居便是与查询向量最相似的对象。 通常，向量具有数百甚至数千个维度，为了实现向量空间的可视化，采用PCA技术，将嵌入维度从2048维降低到三维，相似的对象在向量空间中会靠的更近，而不相似的对象则会分散的更远。
| 
发表于 2025-10-27 16:56:49