知识库与RAG

认识知识库的技术原理

• 第一步：📖➡️📈将文档的文本转换为向量，向量存储到向量数据库。
• 第二步：🗨️➡️🔍将用户的提问内容转换成向量，在向量数据库中检索相似的文本内容，检索结果就是 " 包含答案的内容 "。
• 第三步：🗨️+📖=💡将用户的提问内容和检索到的 " 包含答案的内容 " 组装成新的提示词，发给大模型。

🤔思考：经过检索增强生成（RAG）后，最后输入大模型的内容，为何是用户输入和检索结果的文本组装，而不是二者向量的组装？

向量虽然对于信息检索和相似性匹配很有用，但它们不是模型可以直接理解的输入格式。其次，向量的简单组装，可能会破坏这种语义完整性，因为向量空间中的操作不一定能保留原始文本的含义。通过将用户的提问与检索到的相似文本拼接在一起，其实我们创建了一个在语义上连贯的输入，这有助于模型更好地理解上下文并生成准确的回答。

假设我门来创建一个客服机器人，来设计它的知识库

把知识库内容丢进去  《星河机器人》文档下载

 这是Prompt

效果如下

检索增强生成（RAG）与知识库的区别

在实际应用中，知识库可以作为RAG模型的检索系统的一部分。例如，如果你正在构建一个问答系统，你可以使用知识库来存储问题的答案，RAG模型则可以检索知识库中的相关信息，并结合这些信息生成更准确和详细的回答。