什么是 RAG
这篇文章循序渐进讲得很清楚，建议学习阿里云大模型工程师ACA认证免费课程 - 什么是RAG 摘取其中几张图片，作简要说明。
官话
RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索和生成模型的自然语言处理框架。它通过引入外部知识库（如文档库、数据库等）来增强生成模型，从而提高回答的准确性和相关性。
RAG 的核心思想是，单纯依靠生成模型进行语言生成时，模型只能基于其训练时获得的知识进行回答，可能会出现不准确或“幻觉”的生成。通过引入检索机制，RAG 模型能够在生成的过程中访问外部信息，从而生成更加准确、丰富且上下文相关的回答。
大白话
大模型，好比通过预制的资料搜索，回答
RAG，根据用户特定问题的特定资料，优先使用它的资料，大模型内置的资料可能 out 了，或者不准确。
第一种方案的知识库，可以理解是公司统一配置的知识库；第二种方案中，每个团队或者用户还可以根据自己的需要来增加私域定制化知识库。显然，第二种系统更灵活，不需要复杂的操作就能补充了业务知识。但总体来看，这两个系统都是通过知识库来增强导游助理的能力，减少“幻觉”回答的情况（即导游助理不是编造一个像模像样的地址，而是按照已有知识来回答）。这就是我们即将介绍的检索增强生成（Retrieval Augmented Generation）。
检索增强生成包括三个步骤，建立索引、检索、生成。如果说大模型导游助理是一位志愿者，那么我们给志愿者们准备“志愿者手册”的过程就是建立知识库索引，志愿者查看资料就是系统在检索知识库，志愿者基于检索到的资料充分思考并回答用户的问题就是生成答案。
RAG的实现原理
如图所示，RAG主要由两个部分构成：
建立索引：首先要清洗和提取原始数据，将 PDF、Docx等不同格式的文件解析为纯文本数据；然后将文本数据分割成更小的片段（chunk）；最后将这些片段经过嵌入模型转换成向量数据（此过程叫做embedding），并将原始语料块和嵌入向量以键值对形式存储到向量数据库中，以便进行后续快速且频繁的搜索。这就是建立索引的过程。
检索生成：系统会获取到用户输入，随后计算出用户的问题与向量数据库中的文档块之间的相似度，选择相似度最高的K个文档块（K值可以自己设置）作为回答当前问题的知识。知识与问题会合并到提示词模板中提交给大模型，大模型给出回复。这就是检索生成的过程。
如何持续改进RAG应用效果
这个话题有点大，我慢慢消化
