1—

使用 Llama-3 搞定 RAG

检索增强生成（Retrieval Augmented Generation，RAG）是一种强大的工具，它通过将企业外部知识整合到生成过程中，增强了大语言模型（LLM）的性能。

让我们探索 RAG 的关键7大组成部分。
第一、自定义知识库（Custom Knowledge）

定制知识库是指一系列紧密关联且始终保持更新的知识集合，它构成了 RAG 的核心基础。这个知识库可以表现为一个结构化的数据库形态（比如：MySQL），也可以表现为一套非结构化的文档体系（比如：文件、图图片、音频、视频等），甚至可能是两者兼具的综合形式。

第二、分块处理（Chunking）

实施一种明智且高效的分块策略，在优化知识处理流程方面具有关键作用，能够极大地增强您的 RAG 系统的性能与响应能力。

第三、嵌入模型（Embedding Model）
一种将多模态数据（文本、图片、音频等）表示为数值向量的技术，可以输入到机器学习模型中。

嵌入模型负责将多模态数据转换成这些向量。

第四、向量数据库（ Vector Databases）
一系列预先计算的文本数据向量表示，用于快速检索和相似性搜索，具有SQL CRUD 操作、元数据过滤和水平扩展等功能。

第五、用户聊天界面（User Chat Interface）
一个用户友好的界面，允许用户与 RAG 系统互动，提供输入查询并接收输出。
查询转换为嵌入向量，用于从向量数据库检索相关上下文知识！

第六、查询引擎（Query Engine）

查询引擎获取查询字符串，使用它来获取相关上下文，然后将两者一起作为提示词发送给 LLM 以生成最终的自然语言响应。这里使用的 LLM 是Llama-3，它在本地运行，这要归功于 Ollama。最终响应将在用户界面上显示。

第七、提示词模板（Prompt Template）
为 RAG 系统生成合适提示词的过程，可以是用户查询和自定义知识库的组合。

这作为输入给 LLM，生成最终的回复。