-正文-

• 既然有了大语言模型LLM为什么还要用RAG,LLM 的局限性有哪些？

• RAG的优势：

• RAG的使用场景：

• 架构

• 基本工作流程：

• 核心组件

RAG，即检索增强生成（Retrieval-Augmented Generation），是一种结合了信息检索（Retrieval）和文本生成（Generation）的人工智能技术。

RAG是生成式AI领域的重大进展，它通过整合外部知识源来增强传统的大语言模型 (LLM)。这种方法拓宽了人工智能的视野，使其能够访问和利用除初始训练数据之外的大量信息。可以将 RAG 想象为一位学者，除了拥有自己的知识外，还可以即时访问到一座全面的图书馆。

既然有了大语言模型LLM为什么还要用RAG,LLM 的局限性有哪些？

• LLM 的知识库是通过训练数据得来的，受限于训练数据的时间范围（如你的 LLM 截止到 2023 年）。这意味着它无法实时获取最新信息，也无法全面涵盖所有专业领域的知识。

• LLM 有时会“幻觉”出虚假的内容，即在没有真实依据的情况下生成看似真实的回答。这是因为模型的输出基于概率分布，而不是严格的事实核对。

• 虽然 LLM 通用性强，但它在专业领域（如医学、金融、法律等）的表现可能不足，尤其当领域知识需要不断更新。LLM 的参数是固定的。为了覆盖更多的知识或领域，模型需要变得更大，但这会导致成本显著增加。

RAG 是对 LLM 的有效增强，而不是替代。RAG 的主要作用是动态扩展知识范围、提高回答准确性和时效性、支持专业化需求，这使得 LLM 在真实世界中的应用更加可靠和实用。

RAG的优势：

• 提高准确性：通过引入外部知识，RAG能够生成更准确、更符合上下文的答案。

• 减少幻觉：RAG技术可以有效减少大型语言模型在生成过程中可能出现的幻觉现象。

• 实时更新：由于RAG能够整合最新的数据，因此生成的内容更加时效性和可靠

RAG的使用场景：

1. 智能问答系统：RAG技术可以用于构建客服、教育、医疗和企业内部知识库等领域的智能问答系统。这些系统能够实时检索相关信息，生成精准的答案。

2. 内容生成：在新闻生成、技术文档编写等场景中，RAG技术通过结合最新的外部信息，生成连贯且反映当前趋势的内容。

3. 辅助决策：在法律、金融等行业，RAG技术可以帮助用户快速找到相关案例、法规或市场数据，辅助决策和研究工作。

4. 聊天机器人：RAG技术帮助聊天机器人理解用户意图，检索相关背景信息，生成个性化和准确的回复。

5. 数据分析与挖掘：RAG能够在大规模数据集中快速检索信息，为数据分析提供强大的工具。

6. 个性化推荐系统：RAG生成个性化的产品或服务推荐，提高用户满意度和转化率。

架构

架构图

基本工作流程：

• 问题理解：当用户提出一个问题时，RAG系统首先尝试理解问题的内容。

• 信息检索：接着，系统会从一个大型的知识库中检索出与问题相关的文本片段。这些片段可以是短语、句子、段落甚至整个文档。

• 生成答案：最后，系统将检索到的信息与原始问题结合，输入到生成模型中，生成最终的答案。

RAG的核心在于结合检索与生成两个步骤，利用检索结果来指导生成过程，从而提高模型的准确性和多样性。

具体来说，包括数据收集、数据分块、文本嵌入、处理用户查询和使用大型语言模型（LLM）生成响应。

在检索阶段，系统会从知识库或文档库中检索与用户查询相关的信息，并将这些信息作为上下文传递给生成模型。生成模型则根据这些上下文信息生成回答

核心组件

• 向量数据库：用于存储和检索文本的向量表示。常用的向量数据库如 Milvus，pgvector等。

• 嵌入模型：将文本转换为固定长度的数值表示（嵌入），以便进行相似性计算。常用的嵌入模型包括 Huggingface 的 sentence transformer。

• 生成式模型：在检索到的上下文基础上生成最终的答案或响应。常用的生成模型包括 OpenAI 的 GPT 系列和其他 LLMs。

• API 和 UI：用于构建用户界面和应用程序接口，常用技术包括 FastAPI、Next.js、Material UI 等。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】