要设计出更适合这个项目需求的产品
基本概念 RAG的核心目的是通过某种途径把我们的知识告诉给AI大模型，其核心流程就是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”，看起来也就更“懂”我们。 什么是B端产品经理？和C端产品经理有什么区别？ B端产品经理中的B是Business，商业的意思，B端产品经理首先就要理解这个职位的重要性，方案，B最终产品经理在日常工作中... 查看详情 > 那么具体要如何实现呢？再看一下核心流程，会发现有一个必须解决的问题，就是如何“根据用户提问，从私有知识中检索到包含答案的内容”，用户的提问是 冰岛手机号码数据 自然语言（包含复杂的语义理解），传统的关键字检索（Elastic Search）是无法理解语义的，这时候就需要引入向量检索的概念了。 向量：文本的语义关系在底层被处理为向量，向量就是一组浮点数，例如[, , …]，代表该文本在N维空间里的坐标。在空间中距离越近的向量，语义也就越接近。一般使用欧式距离或余弦距离来衡量向量的相似度。 向量检索：向量检索实际上是将文本分段转换成了一个个向量，通过余弦距离或欧式距离来计算两
https://lh7-us.googleusercontent.com/J8kRrMq_xRqVmX2zf03wK92rBATnTdLQ0m92sLi3snrc40ufoE2plukEpbz0QAGbvpwuUd4E_8q7lTISBN6wWtNvd5r_qSK-nUcyP6Q-UCrTronjTFOmu0E6h9WnXEmF5umBdQCjOTl3keyL
个向量之间的相似度，向量相似度越高，表示对应的文本语义相似度越高。 向量数据库：专门为向量检索设计的中间件。 我们可以通过向量检索来获得与用户问题语义最相近的私有知识库的内容，即便用户问题中没有包含关键字，也可以通过语义的相关性搜索到“包含答案的内容”。 实现RAG的具体步骤如下： 加载私有知识库文档，并将文本切分为一个个小片段，需要注意切分的粒度，然后将切分后的文本转换成向量，存入向量数据库。 将用户的提问内容也转换成向量，在向量数据库中检索相似的文本内容，检索结果就是“包含答案的内容”。
頁:
[1]