RAG——检索增强生成
前面写过好几篇关于RAG的文章，但可能到现在很多人还不明白什么是RAG——检索增强生成。
先说RAG技术产生的背景，RAG技术是基于大模型文本生成而产生的一种技术；目的是解决大模型的缺陷问题，因此就有了RAG技术来帮助大模型，简单来说RAG就相当于给大模型配备了一个资料库，遇到不懂的问题不要胡扯，先去查查资料。
大模型主要缺陷：
知识更新不及时：大模型的知识仅限于训练数据的截止时间，无法获取之后的知识
大模型幻觉问题：大模型一本正经的胡说八道，
大模型知识不足：大模型的知识有限，很多垂直领域的知识它都不知道
RAG技术的运作流程是什么样的呢？
如上图所示，完整呈现了RAG的运作流程；RAG技术主要分为三个部分：
1. 创建资料库
2. 查资料
3. 带着资料问问题
举个生活中的例子，你是一个学生，有一天遇到一个你不懂的问题；然后，你爸妈就让你去问邻居家上大学的哥哥姐姐；如果是一些常识性的问题，那么他们可以直接告诉你结果。
但你这个问题比较特殊，涉及到具体的专业知识，比如说化学，物理等；这时上大学的哥哥姐姐可能也不知道该怎么回答你的问题，但以他多年的学习经验，他觉得这个问题他可以解决，但需要先看一下你的课本或资料。
这个步骤就是RAG中的第三步，你就是用户，大模型就是邻家的哥哥姐姐；而你比较聪明，在来的时候就怕哥哥姐姐需要看你的课本，你随身就把课本和资料给带着了；这个就是第二步。
然后，邻家的哥哥姐姐看了一会你的课本，然后告诉你这个问题应该怎么巴拉巴拉的给你讲，然后你的问题就解决了。
现在回到RAG的问题，为什么需要这三步？
因为大模型上面的缺陷，所以导致大模型能力并不是很强，因此有些东西需要查资料才能知道；但怎么才给大模型建一个资料库呢？
这就是第一步，比如需要从不同的文档加载数据，如word，pdf，txt，音频，视频等；然后需要把这些文档中有关联的数据放到一块，这个就叫做嵌入(embedding)，最后把这些数据存储到一个地方，比如向量数据库。
第二步就是检索，有了这些资料之后，怎么才能根据不同的问题，从中找到相关联的资料；比如，你不可能因为一个历史问题就去翻阅整个永乐大典；所以这就需要一种检索技术，比如目录/索引。
接着是第三步，你带着第二步检索到的数据给到大模型，然后大模型就可以根据这些数据来回答你的问题；这时你可能会说，既然有了这些资料我自己看不就行了，还要大模型干什么；那如果你是公司客服，你会为每个用户都重新介绍一下你们公司的产品和企业文化吗？
而这就是整个RAG技术的实现流程，每个环节又涉及到不同的技术；比如第一步创建资料库，需要文档加载技术，分词技术，嵌入技术等；第二步需要向量化技术，准确高效的检索技术等；第三步需要提示词技术，大模型调用技术等，因为第二步查到的资料需要放到提示词中让大模型自己去“看”。
所以，从这里也可以看出，严格来说RAG技术和大模型没太大直接关系(这里的没关系是指进行业务处理的大模型，而文档嵌入本质上使用的也是嵌入大模型)；大模型不管你使用的是什么资料库，也不关心你查到了哪些资料，大模型关心的只是你最后在提示词中携带的资料。
大模型与本地知识，向量数据和知识图谱
那么，RAG和本地知识库，向量数据库，还有知识图谱有什么关系呢？
什么是本地知识库？
本地知识库说白了就是资料库的一种，比如说你们公司的技术档案，销售记录，公司的规章制度等都属于本地知识库的范围；本地知识库的作用是把一个组织内部的资料梳理出来方便大家使用。
所以，本地知识库的本质是资料库；而这个资料库可以有多种不同的组织形式，比如以文档，书籍，或者网页，视频，甚至是会议记录等形式存在，也可能是多种形式的混合。
而向量数据库是一种存储数据的方式，只不过由于大模型的出现，导致基于以前的字符存储变成了基于语义的向量存储；向量数据库从功能上来说和传统的数据库没有本质区别，不论是mysql，还是redis；只不过传统的数据库是基于字符匹配，而向量数据库基于语义匹配(本质上一种数学模型，如欧式距离和余弦函数)。
向量数据库既然是数据库，那么它就具备数据库的特性，存储数据和查询数据；它是数据存储的载体，就类似于工作中的文件夹。
而知识图谱又是什么？
所谓的知识图谱是由谷歌推出的一种搜索引擎技术，面对互联网中日益增长的数据，怎么表示这些数据，以及这些数据之间的关系成为了一个难题；因此，谷歌就推出了知识图谱技术，用这个方式去记录这些数据以及其关联关系。说白了知识图谱就是一种组织数据的方式，比如我们日常工作和生活中，会按照日期，地点，任务名称等来存放不同的文件，资料。
所以，本地知识库，向量数据库，还有知识图谱有什么关系？
本地知识库即可以使用简单的日期，部门，工作任务来组织资料，也可以使用知识图谱这种更加专业的方式来搭建本地知识库；而搭建的本地知识库存储在什么地方？
即可以存储在传统的关系性数据库中，也可以存储在文本文件中，当然也可以存储在向量数据库中。
这就是其三者之间的关系。
那么它们和RAG又有什么关系？
前面说了，RAG是为了解决大模型本身存在的几个缺陷；大模型需要的是你在提示词中拼接的最终资料，而不会关心你这个资料从哪里来。而RAG就是从外部检索资料然后拼接到大模型提示词中的一种方法论。
RAG最终的目的就是准确，高效的检索到相关的资料；而不管是去知识图谱中检索，还是去本地知识库中检索，还是去向量数据库中检索，亦或者是从传统的关系型数据库中检索，或者直接去网络上搜索。
比如说，你想让大模型告诉你怎么做西红柿炒蛋，你需要的是使用RAG技术检索到做番茄炒蛋的内容，而不是告诉大模型哪里大米产量高，哪里发生了自然灾害，原子弹怎么造。
而至于你这个资料是从哪家餐厅的菜谱中找到的，还是从网络上搜索到的，或者还是路边听说的都可以。
问题，传统数据库可以用来做RAG吗？
答案是可以，比如说价格表这种精确的不需要语义检索的数据；使用传统数据库效果会更好。一般企业场景中是把语义检索和字符匹配同时使用，需要语义理解的就使用语义检索库，比如向量数据库；精确的数据就放到传统数据库中。
总结
RAG是一种从外部检索数据的方式；本地知识库相当于一个资料库；而知识图谱是组织数据的一种更加科学的方式；向量数据库是用来存储向量化数据的一个载体。
所以，本地知识库，向量数据库和知识图谱和RAG没什么直接关系，如果说有关系就是它们三者可以作为RAG技术的一种具体实现；但RAG也可以使用其它的实现方式。
RAG，本地知识库，向量数据库，知识图谱是四个完全独立的技术，它们之间没有任何直接关系，但又可以互相合作以达到某种效果。
粤ICP备14082021号
免费POC，
零成本试错
