RAG（Retrieval-Augmented Generation）

1.RAG是什么？在大模型中充当了什么角色定位？

        RAG （Retrieval-Augmented Generation）是一门检索增强生成的技术。

        试想某一个开卷考试的场景，学生A正在进行考一场期末考试中历史(文科类)学科的考试，其中一题：第一次鸦片战争是哪一年爆发的？这个属于概念性很强的题目，书本上有个很明确的定义描述，学生A不记得直接去翻书得到了答案，很明确的写上了1840年。

         如果把这个题目交给大模型要怎么做呢？且将知识库比作开卷考试的那本书 ；把大模型比作人的大脑

         问题：第一次鸦片战争是哪一年爆发的？

         知识库：历史书上的记录着鸦片战争是1840年至1842年英国对中国发动的一次侵略战争，它的爆发标志着中国近代史的开始，中国从此进入了半殖民地半封建社会。

         大模型：输出答案是1840年。

         上面如果没有知识库，大模型也不知道答案是什么的，因此要知道这个答案，知识库是必要的。那么知识库是如何构建的呢？大模型中也可能会知道的，前提学生A之前平时学习认真，把这些信息记忆在大脑中

              1).历史书知识库构建步骤       

1. 1. 1. 文本切割分块
      2. 将分出的若干块通过Embedding向量化模型进行向量化处理，存储到向量数据库(Qdrant)。    
      3. 知识库构建完成，对外开放服务：http://localhost:6333

              2).知识库构建完成后，拿到问题去知识库中查询，因为问题也是自然语言，所以想去知识库中查询也要通过向量化，与知识库中信息处于同一维度，因此将问题向量的模型要与知识库构建的模型保持一致。

              3).前面两步会得出一个上下文文本，交给LLM去推理识别，得出答案1840年。

         上面大模型工作流程RAG在干嘛呢？步骤二就是在RAG在其中充当的角色，在知识库中根据问题提取到精确的上下文信息，如何提取到精确的上下文信息给到大模型是RAG技术深入研究的方向。