AI大模型RAG项目实战课。
纯干货教程：0成本学习Ai技术。各位小伙伴们好，上节课学习了知识库的两个执行流程，相信大家对知识库执行流程应该有了一个清晰的认识。这节课来学习下RAG。一提到人工智能或者个人知识库大模型等时总能听到RAG，RAG到底是个什么？
先来看看RAG概念。RAG检索增强生成是一种结合检索技术和生成模型的人工智能框架，旨在解决传统生成模型如大语言模型在处理需要实时知识领域特定数据或最新信息时的局限性。其核心思想是通过检索外部知识库来增强模型的生成能力，使输出内容更准确可靠且具有时效性。
概念是不是还是有点抽象？概括起来就是RAG是来弥补大模型的不足，提高信息输出的可靠性和准确性。大语言模型的训练依赖于网上海量公开静态数据，对于特定领域如企业内部专有技术文档的数据是无法获取的。这就导致大模型在面对特定领域的查询时出现知识过时和幻觉问题，甚至编造数据而生成不准确的乃至虚构的回复。
对于一个企业专业智能客服应用来说，回复数据的不准确、不精准是不能容忍的。如何解决这个问题？这时候RAG就派上用场了。RAG以检索加生成技术通过引入向量数据库作为外部知识源，将大模型缺失的部分以结构化的形式提供补充，大大提高输出数据的准确性和可靠性，解决了企业应用痛点，从而在企业级应用和垂直领域中获得了广阔的发展。
随着大语言模型规模的扩大，训练成本和周期对应增加，包含最新信息的数据难以溶于模型训练过程，因此就无法反映最新信息和动态，导致大模型无法应对。诸如请推荐最新热门电影等带有时效性内容，查询的回复怎么办？这时候联网搜索功能来了，联网查询反馈准确信息这一功能可以看作是广义可扩展的RAG了。
经过对RAG的概念及应用示例讲解，我们对RAG应该从抽象到具象有了深刻印象和理解。总体来看RAG弥补了大语言模型在测试时面对陌生领域时回复能力不足，如时常放飞自我甚至胡编乱造。而此时RAG给了一些提示和约定及思路后，让大语言模型朝着给定提示方向做，最终测试准确率从60%提升到90%。
由此我们也就不难理解为什么一提到大模型就有人提到RAG了。
智能体这块的概念就算告一段落了，下节课我们看看在扣子平台上怎么创建一个简单智能体，希望能抛砖引玉给大家带来启发和学习。AI热潮，期待你的下次再见！