如今，AI早已经走进了我们生活，文心一言、通义千问、豆包、还有最近非常火爆的DeepSeek等大模型让人们意识AI并不是那么神秘，这里，我们用RAG就可以自己搭建一个PG向量数据库AI机器人。
RAG概念
RAG(Retrieval Augmented Generation)顾名思义，通过检索的方法来增强生成模型的能力。
检索(Retrieval ): 根据用户请求从外部知识源检索相关上下文。
增强(Augment): 用户查询和检索到的附加上下文被填充到提示模板中。
生成(Generate): 检索增强提示被馈送到 LLM。
它是一个为大模型提供外部知识源的概念，这使它们能够生成准确且符合上下文的答案，同时能够减少模型幻觉。
使用RAG的优点
提高准确性: 通过检索相关的信息，RAG可以提高生成文本的准确性。
减少训练成本：与需要大量数据来训练的大型生成模型相比，RAG可以通过检索机制来减少所需的训练数据量，从而降低训练成本。
适应性强：RAG模型可以适应新的或不断变化的数据。由于它们能够检索最新的信息，因此在新数据和事件出现时，它们能够快速适应并生成相关的文本。
RAG系统工作流程图解
流程描述：
1. 加载，读取文档
2. 文档分割
3. 文档向量化
4. 用户输入内容
5. 内容向量化
6. 文本向量中匹配出与问句向量相似的 top_k 个
7. 匹配出的文本作为上下文和问题一起添加到 prompt 中
8.提交给 LLM 生成答案
......
完整文档链接：
文档：RAG-大模型&向量数据库.pdf
网盘链接:
https://pan.baidu.com/s/1b4yXjlyw2uF7K-iOSnpGYQ
提取码: qanz
B站在线视频：
https://www.bilibili.com/video/BV1WsNZe6EVp/
元宵特惠!
元宵佳节，CUUG为您献上好礼!
购买信创PostgreSQL管理员认证课程，赠送PGCP和PGCM一次补考机会，活动还有7天，【阅读原文】联系客服报名!
