简单介绍下RAG的基础知识和RAG开源应用 “茴香豆"

一. RAG 基础知识

1. RAG工作原理

        RAG是将向量数据库和大模型问答能力的有效结合，从而达到让大模型的知识能力增加的目的。首先将知识源存储在向量数据库中，当提出问题时，去向量数据库检索，找到相关的部分后，一起送给大模型生成最终的回答。

2.RAG工作流程

3.RAG发展进程

        RAG最早由Meta的Lewis提出，其中有三类RAG，分别是Naive RAG，Advanced RAG, Modular RAG。

4. RAG常见优化方法

        常见的优化方法有嵌入优化，索引优化，查询优化，上下文管理，迭代检索，递归检索，自适应检索，LLM微调等。

5. RAG对比大模型微调

        使用的RAG的优势在于可以动态更新知识，处理长尾知识问题，但依赖外部知识库的质量和覆盖范围，依赖大模型能力。

        大模型微调的优势可以让模型性能针对特定任务优化，但需要大量的标注主句，且对新任务的适应性较差。

6. 评估框架和基准测试

7. RAG总结

二. RAG开源项目 -- 茴香豆

1. 茴香豆介绍

        茴香豆是一个基于LLMs的领域知识助手，由书生浦语团队开发的大模型应用。

2. 茴香豆的特性

        茴香豆具有 免费开源且可商用，高效准确，领域知识，部署成本低，安全，扩展性强等特点。

3. 茴香豆构建

        构建一个基于茴香豆的RAG应用，需要前端如微信，飞书；知识库文档；大模型后端（可支持主流大模型远程或本地）

4. 茴香豆工作流