前言

书生·浦语大模型应用实战营 第二期正在开营，欢迎大家来学习。（参与链接：https://mp.weixin.qq.com/s/YYSr3re6IduLJCAh-jgZqg

第三堂课的视频链接：https://www.bilibili.com/video/BV1QA4m1F7t4/

本次笔记是学习完第三堂课，结合自己关心内容而创作，更偏向个人。尽管有很多细节丢失，但组织出来的内容仍反映本节课的关键知识、也是我的收获，与大家分享。

论述

引出RAG

RAG中文名叫检索生成技术，它是怎样一个技术呢？
市面上有很多通用大模型

它们神通广大、无所不知，有着惊人的能力。但是事情总有我们不如意的时候，这些通用大模型可能会在某些垂直领域回答还是不尽人意，无法满足我们的业务需求。怎么办？

我们可以微调大模型，去更新它的网络参数。但面对闭源模型，你没办法了。还能怎么办？RAG技术就可以解决这样的困境，在不改变大模型本身能力的同时，能提升它回答的表现！这是一种神奇的方法，一种外挂知识库的方法。

RAG到底是怎么做到的？简单点说就是从直接prompt到给大模型做阅读理解，将用户的提问去知识库里匹配相关的信息，然后组合在一起再prompt给大模型。实践验证这种方法很好，大大提升了相关领域的回答表现。

我们来看RAG技术加持下，大模型问答的运行机制是怎样的

RAG技术加持的大模型的运行机制

以上就是大模型问答实质的运行机制。接下来，我以开发者的视角来讲解这张图

前面我们已经知道RAG实际是怎么提升回答表现的。作为开发者呢，我们首先得去搭建知识库，整个开发的过程我们都是再Langchain框架下的，在该框架下让我们的开发更容易。

我们收集了大量的文件材料，它们有word、有excel、pdf、markdown等等等等。我们首先做的就是对这些文件材料去除格式，这里我们就要用到去除文本结构器，就是个工具，不必焦虑在哪里找它们，Langchain为你们提供了。去除了文件的格式我们得到了纯字符串的文本信息。

这一个字符串可能10万个字符，我们要对它切割，用Langchain提供的文本分割器来实现。我们得到了文本片段集合，然后对这一个个片段进行编码成一个个向量，这种形式的信息方便进行相关度比较。于是我们构建起了向量数据库，也可以叫做知识库，里面都是知识嘛。

这都是开发阶段做的工作。在实际用户提出一个提问/prompt后是怎样个运行机制呢？

首先用户的提问也要进行编码成向量，为了可以与向量数据库的信息检索匹配嘛。然后从向量数据库里检索出了相关的向量信息。直接将向量输入到大模型？我们做不了。那是要解码吗？也不是，实际上无论是prompt向量还是知识库里的向量，在编码的时候都是建立了与自然语言文本一一对应的关系的。我们直接凭借着这个对应关系，找到对应的自然语言文本拼接在一起就行了。然后就是喂给大模型，图中展示的是Internlm大模型。最后我们就得到了回答了。以上就是理论上RAG下的大模型问答的运行机制。




————————
以上就是我本篇想讲的所有内容了，如果这篇文章对你有价值的话，还请点个赞，你的支持对我非常重要！

我是阿航，一位胆大包天、梦想成为大牛的学生~

我们下篇文章接着聊