背景
LLM支持的最强大的应用程序之一是复杂的问答（Q&A）聊天机器人。这些应用程序（聊天机器人）可以回答有关特定来源信息的问题。其中使用的技术就是一种称为检索增强生成（RAG）的技术。
本文不涉及代码输出，纯概念解释说明。文末会贴出另一篇文章的地址，里面有代码。
什么是RAG
RAG是一种利用检索技术来增强大语言模型（LLM）的技术。它通过从某些数据源检索信息，并将这些信息作为上下文提供给LLM，从而改进生成的答案。
RAG的基本流程包括：
分块与向量化：将文本数据分割成块，并使用transformer编码器模型将这些块编码为向量，以便于搜索。
搜索索引：为这些向量建立索引，以便于快速检索。
重排和过滤：对检索到的信息进行排序和过滤，以提供最相关的上下文给LLM。
查询转换：将用户查询转换为模型可以理解的格式。
聊天引擎：用于与用户进行交互，接收用户输入并返回回答。
查询路由：决定哪些查询应该被发送到LLM进行回答。
智能体：负责协调各个组件，确保系统的顺畅运行。
响应合成：将LLM的输出与检索到的上下文合并，生成最终的回答。
RAG的优点在于它能够结合检索技术的准确性和LLM的生成能力，提供更加准确和丰富的回答。然而，它也面临一些挑战，如知识的局限性和数据安全性问题。知识的局限性意味着模型的知识仅限于其训练数据，可能无法覆盖所有领域的知识。数据安全性问题则涉及到将私域数据上传到第三方平台的风险，这对于注重数据安全的企业来说是一个重要的考虑因素。
简单来说就是：大模型对于没有学习过的知识是回答不了的，或者说回答不准确，不相关，利用RAG技术就可以很好的解决这种问题。
RAG架构
典型的RAG应用程序有两个主要组件：
索引：从外部数据源引入数据并制作索引。通常我们会预先处理好数据。
检索和生成：它需要用户在运行时查询并从索引中检索相关数据，然后将其传递给模型。
从原始数据到答案最常见的完整序列如下所示：
索引（Indexing）
加载（Load）：首先我们需要加载数据。这是使用DocumentLoaders完成的。
切片（Split）：文本 分离器将大块分成更小的块。这对于以下方面都很有用 索引数据并将其传递到模型，因为大块更难搜索，并且不适合模型有限的上下文窗口。
存储（Store）：我们需要某个地方来存储和索引我们的拆分，以便以后可以搜索它们。这通常是使用VectorStore（向量数据库）和Embeddings（词嵌入）模型完成的。
检索和生成（Retrieval and generation）
检索（Retrieve）：给定用户输入，使用Retriever从存储中检索相关切片。
生成（Generate）：ChatModel / LLM使用包含问题和检索数据的提示。
