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。