42 lines
1.7 KiB
Markdown
42 lines
1.7 KiB
Markdown
---
|
||
title: "RAG从入门到精通系列1：基础RAG"
|
||
type: source
|
||
tags: [RAG, LLM, 检索增强生成, 向量数据库]
|
||
sources: ["https://mp.weixin.qq.com/s/TlFNOw7_3Q8qywKLpVUmfg"]
|
||
date: 2025-12-18
|
||
---
|
||
|
||
## Summary
|
||
- 核心主题：RAG基础概念与实现流程
|
||
- 问题域：如何将LLM与外部数据源连接
|
||
- 方法/机制：Indexing → Retrieval → Generation三阶段流程
|
||
- 结论/价值：RAG是连接LLM与外部私有/最新数据的通用方法
|
||
|
||
## Key Claims
|
||
- RAG = Retrieval Augmented Generation，将LLM与外部数据源连接
|
||
- 三阶段：Indexing（文档索引）、Retrieval（检索）、Generation（生成）
|
||
- Embedding Model将文本转为固定长度向量，受Context Window限制
|
||
- 向量数据库（Qdrant等）存储Embedding Vector并实现相似度检索
|
||
- LangChain/LlamaIndex等框架简化RAG流程
|
||
|
||
## Key Concepts
|
||
- [[RAG]]（检索增强生成）：将LLM与外部数据源连接的通用方法
|
||
- [[Indexing]]：将外部文档切分并建立索引的过程
|
||
- [[Retrieval]]：根据问题语义向量检索相关文档
|
||
- [[Generation]]：将问题+知识片段输入LLM生成答案
|
||
- [[Embedding Vector]]：文本的数值表示，捕获语义信息
|
||
- [[Vector Store]]：存储Embedding Vector并实现相似度检索的数据库
|
||
- [[Context Window]]：Embedding Model能接受的最大token数
|
||
|
||
## Connections
|
||
- [[RAG]] ← 包含 ← [[Indexing]]
|
||
- [[RAG]] ← 包含 ← [[Retrieval]]
|
||
- [[RAG]] ← 包含 ← [[Generation]]
|
||
- [[LLM]] ← 扩展 ← [[RAG]]
|
||
|
||
## Contradictions
|
||
- 与[[LLM Wiki]]冲突：
|
||
- 冲突点：知识获取方式
|
||
- 当前观点：RAG从外部检索获取最新/私有数据
|
||
- [[LLM Wiki]]观点：增量累积知识到内部记忆
|