study_rag

RAG：

RAG（Retrieval-Augmented Generation）是一种结合了信息检索和生成模型的技术。它通过检索相关文档或片段来增强生成模型的回答能力，从而提高回答的准确性和相关性。

RAG的核心：

当大模型面对一个问题时，并非依赖其训练过程中“记住”的知识来回答，相反，它可以访问一个外部知识库或文档集，从中检索与当时问题相管的片段，将这些最新或特定领域的外部信息纳入“思考”，然后再尽心回答生成。

RAG核心组件：

• 知识嵌入
• 检索器
• 生成器

RAG的工作流程：

• 数据导入
• 文本分块
• 知识嵌入
• 向量存储
• 检索前处理
• 基于索引的检索
• 检索后处理
• 相应生成
• 系统评估
• 复杂检索策略和范式

环境搭建：

1. 安装python虚拟环境管理工具：

curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh && bash Miniconda3-latest-MacOSX-arm64.sh

默认安装后会每次启动终端时启动base环境，设置不打开conda

conda config --set auto_activate_base false

2. 创建虚拟环境

conda create -n rag_py3.12 python=3.12

3. 激活虚拟环境

conda activate rag_py3.12

4. 安装依赖包

pip install -r requirements.txt