人工智能_大模型013_AIGC生成式模型的增强检索_RAG知识补充检索_补充私域和实时场景知识_关键字检索增强---人工智能工作笔记0149

本文介绍了RAG(Retrieval-Augmented Generation)技术,用于增强大模型的检索能力,使其能实时补充知识。通过构建向量知识库,结合prompt方法,大模型可以利用私域和实时知识回答问题。文中详细展示了如何从PDF中提取内容,建立ES索引,实现关键词检索,并利用OpenAI大模型进行交互,以提高生成式模型的响应质量。然而,该方法依赖于关键词匹配,不同问法可能影响答案的获取。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

    什么是RAG,RAG的意思就是,如果一套生成式AIGC大模型,你昨天训练了以后,那么今天的知识,还没有给他进行训练,那么回答的时候,他就会遗漏今天的知识,那么我们就可以通过检索的手段,把今天的知识,检索出来,然后补充道prompt中,给这个大模型.让他参考,这样就包含了今天的知识相当于实时了就.

  会说到向量检索,位向量检索,设计的数据库,然后实现RAG系统.

  RAG就是增强AIGC的检索能力,通过检索你的私域知识,以及实时的知识内容,生成向量数据库,然后,用prompt的方法把向量补充道prompt中,然后提供给生成式大模型,然后增强生成模型的能力,并且使得它更适用于自己的业务.

先来看一下效果,可以看到,这里

通过左侧,可以上传pdf文件,上传以后,我们再向大模型提问的时候,可以看到

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

添柴程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值