57 lines
2.4 KiB
Markdown
57 lines
2.4 KiB
Markdown
---
|
||
title: "RAG从入门到精通系列1：基础RAG"
|
||
type: source
|
||
tags: [RAG, LLM, 教程]
|
||
date: 2025-12-18
|
||
---
|
||
|
||
## Source File
|
||
- [[raw/AI/RAG从入门到精通系列1：基础RAG.md]]
|
||
|
||
## Summary
|
||
- 核心主题：基础 RAG（检索增强生成）技术介绍
|
||
- 问题域：LLM 如何使用外部数据（私有数据或最新数据）
|
||
- 方法/机制：Indexing（索引）→ Retrieval（检索）→ Generation（生成）
|
||
- 结论/价值：RAG 是连接 LLM 与外部数据源的通用方法，使 LLM 能基于外部知识生成回答
|
||
|
||
## Key Claims
|
||
- RAG 是一种将 LLM 与外部数据源连接的通用方法，允许 LLM 使用外部数据生成输出
|
||
- 基础 RAG 流程包含三个核心阶段：索引构建、文档检索、答案生成
|
||
- Embedding（向量化）将文本转为固定长度的数值向量，捕获文本语义
|
||
- 文档需要切分成满足 Embedding Model Context Window 的 Split（文档块）
|
||
- Vector Store（向量数据库）存储 Embedding Vector 并实现相似度比较
|
||
- LangChain 和 LlamaIndex 框架简化了 RAG 管道的构建
|
||
|
||
## Key Quotes
|
||
> "RAG（Retrieval Augmented Generation，检索增强生成）是一种将 LLM 与外部数据源（例如私有数据或最新数据）连接的通用方法。它允许 LLM 使用外部数据来生成其输出。"
|
||
|
||
## Key Concepts
|
||
- [[RAG]]：检索增强生成，连接 LLM 与外部数据源的技术
|
||
- [[LLM]]：大型语言模型，功能强大但不总是使用最新或相关数据
|
||
- [[向量嵌入]]：将文本转换为数值向量，捕获语义信息
|
||
- [[Token]]：模型处理文本的基本单位，中文约 1 token/汉字，英文约 1 token/3-4 字母
|
||
- [[Vector Store]]：向量数据库，存储 Embedding Vector 并实现相似度检索
|
||
- [[LangChain]]：简化 RAG 管道构建的框架
|
||
- [[Qdrant]]：Rust 编写的开源向量数据库
|
||
|
||
## Key Entities
|
||
- [[LangChain]]：提供 160+ 文档加载器的 RAG 框架
|
||
- [[Qwen]]：文中使用的 LLM 示例
|
||
- [[BAAI]]：开源 Embedding Model 系列
|
||
- [[PyTorch研习社]]：文章来源公众号
|
||
|
||
## Connections
|
||
- [[RAG]] ← depends_on ← [[向量嵌入]]
|
||
- [[向量嵌入]] ← depends_on ← [[Token]]
|
||
- [[LangChain]] ← implements ← [[RAG]]
|
||
- [[Qdrant]] ← stores ← [[向量嵌入]]
|
||
- [[Qwen]] ← provides ← [[LLM]]
|
||
|
||
## Contradictions
|
||
- （暂无）
|
||
|
||
## 相关技术栈
|
||
- **LLM**: Qwen
|
||
- **Embedding Model**: BAAI 系列
|
||
- **Vector Store**: Qdrant
|
||
- **Framework**: LangChain |