AI全栈必问的RAG 是什么！

最新推荐文章于 2025-04-21 20:03:20 发布

大模型应用

最新推荐文章于 2025-04-21 20:03:20 发布

阅读量603

点赞数 20

文章标签：人工智能 AI大模型程序员 llama 知识库 LLM RAG

本文链接：https://blog.youkuaiyun.com/Y525698136/article/details/146939796

版权

告诉面试官我想做AI全栈，Rag要被问傻了

1. RAG是什么？

RAG是一种结合检索（Retrieval）和生成（Generation）的技术，主要用于让AI在回答问题或生成内容时，能够更好地利用外部知识库，而不是完全依赖于自身预训练的知识。简单来说，它就像是给AI配了一个“外挂”，让它在回答问题时可以先去知识库中查找相关的资料，然后再生成答案。

2. RAG怎么解决AI幻觉问题？

AI幻觉是指AI生成的内容与事实不符或缺乏依据。RAG通过以下方式减少幻觉：

检索知识库：当用户问问题时，RAG会先去知识库中查找与问题最相关的资料（比如文档、数据等）。这些资料是经过验证的，所以AI生成的内容会更有依据。
减少模型更新和推理成本：AI模型不需要频繁更新来学习新知识，因为知识库可以随时更新，AI只需要检索最新的知识即可。来张图展现一下（感谢网上的图像）

3. RAG的工作原理

RAG的工作可以分为三个阶段：

（1）检索（Retrieval）

用户提出问题后，RAG会先将问题转换成一个“向量”（一种数学表示），然后在知识库中查找最相关的向量。
知识库中的内容会被提前处理成向量，并存储在一个叫 “向量数据库” 的地方。这个数据库可以根据语义理解来检索数据，而不是单纯靠关键词匹配。
比如，你问“如何做巧克力蛋糕”，RAG会在知识库中找到与“巧克力蛋糕制作”最相关的资料片段。

（2）增强（Augmented）

找到相关资料后，RAG会把资料和用户的问题组合在一起，形成一个新的输入，送给大模型。
这就好比你给AI提供了一个“提示”，让它在回答问题时有更具体的参考。

（3）生成（Generation）

最后，AI根据组合后的输入生成答案。因为有知识库的支持，生成的内容会更准确、更有针对性。

4. 如何构建RAG知识库？

构建RAG知识库的过程大概如下：

准备知识库数据：把相关的文档、资料整理好，这些可以是公司内部的文件、行业知识等。
文本分块：把长文档分割成小块，每块包含一部分信息。比如一篇长文章可以分成多个段落。
向量化：用一个叫 “embedding model” 的工具，把文本块转换成向量，存储到向量数据库中。后面使用如（余弦相似法，求问题和对应知识库内容距离，得到相似度）
设置检索规则：告诉RAG如何根据用户问题检索最相关的向量。

5. RAG的优势

减少幻觉：因为有知识库的支持，AI生成的内容更有依据。
灵活更新：知识库可以随时更新，而不需要重新训练AI模型。
高效检索：通过向量检索，可以在海量数据中快速找到相关资料。

6. RAG和Fine-tuning的区别

RAG：不需要对AI模型进行微调（Fine-tuning），而是通过检索知识库来增强生成能力。这种方式更灵活，不需要大量的训练数据和计算资源。
Fine-tuning：需要对模型进行重新训练，适应特定任务或数据。这通常需要大量数据和计算资源，而且一旦数据更新，可能需要重新训练。

7. FastGPT和LlamaIndex的使用场景

FastGPT：适合快速搭建RAG应用，不需要编码，操作简单。你只需要准备好知识库数据，导入到FastGPT中，就可以快速使用。
LlamaIndex：更适合需要定制化的场景，比如自定义知识库的切分规则、调整检索逻辑等。但使用它需要一定的编程能力。

如何基于公司私有组件库来生成代码？

推荐： RAG：Retrieval（检索）- Augmented（增强）- Generation（生成）
不推荐：Fine-tuning 微调
不推荐：预训练自有模型

RAG 的内部原理是什么？

Retrieval 阶段：根据用户输入的问题，检索知识库数据，召回相似的知识库数据。
Augmented 阶段：将检索到的知识库数据与用户输入的问题组合到一起，作为输入给大模型。
Generation 阶段：大模型根据输入的内容生成代码。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望