不需要部署，不需要了解原理，更不需要操心运维和安全，点两下就可以实现一个功能完备的RAG。
什么是RAG
你问大模型“美国2025年4最新关税提高到了多少？”，它一定不知道。
因为主流模型的训练数据就到2024年，大部分还是2023年的，这就是目前大多数AI的局限性——它们只知道训练时学到的内容，对于新信息或专属于你的信息则一无所知。
而RAG技术（全称是Retrieval-Augmented Generation，检索增强生成）就是为了解决这个问题。让AI能够主动去"查资料"。
传统RAG系统的痛点
RAG看起来很好，但搭建一个完整的RAG系统却十分复杂：
你得需要管理多种工具和服务，然后要编写大量的"胶水代码"将各个部分连接起来，这中间还要更新后需要重新索引，完了，维护成本高，容易出错。
等于是自己从零搭建一辆汽车，不仅要有发动机、轮胎、方向盘等各个部件，还要确保它们能够协调工作，一旦任何部分出了问题，整车就无法前行。
虽然市面还有类似于IMA这类的第三方集成度比较高的RAG应用，但是个人知识库的隐私性又无法保证。
赛博菩萨Cloudflare的AutoRAG就像是提供了一辆已经组装好的汽车，你只需要加油（提供数据）和开动（提问）即可。
它自动处理了从数据摄入、切片处理、向量嵌入到检索和响应生成的全过程。
它还会持续监控你的数据源，当有新信息时自动更新索引，始终是最新信息，而无需手动干预。
AutoRAG实现的步骤和原理
整个的索引流程是后台自动运行，用户只需要做一件事，
在数据源（如R2存储桶）放入文件，
之后就是后台的一系列操作：
- 将所有文件转换为结构化的Markdown格式
- 将文本分割成小块以提高检索精度
- 使用嵌入模型将内容转换为向量
- 将生成的向量存储在Cloudflare的Vectorize数据库中
- 查询流程（用户提问时触发）
- 接收用户查询
- 可选择性地重写查询以提高检索质量，将查询转换为向量
- 在向量数据库中搜索最相关的内容
- 从原始数据源获取内容
- 使用语言模型生成基于检索内容的回答
实践
第0步，注册Clouflare,因为AutoRAG是完全免费的，不需要绑卡，直接用就行。
第1步，来到个人中心，找到AI栏目下的，AutoRAG
第2步,创建 Create AutoRAG
第3步，选择“数据源”，目前仅支持R2,这个名字看着怪怪的，其实就是一个文件存储库。后续我们的资料就直接往里面扔就完了。
第4步，选择“Embedding model”嵌入模型，无脑选择‘auto’就行，但是需要注意的是这个会计入到你的模型使用量中，价格之前有介绍 ，这里就不再提了，反正就是每天的免费额度个人用完全够。
第5步，起个名字。比如这里的“bytenote"
最后一步，使用，Cloudflare最后一步提供了界面和相关的API调用代码。后续需要上传的资料直接放到上面创建的R2桶就会自动进行索引。
测试，我这里上传了一个关于模型参数的文档，在Playground进行测试，成功地召回，并且给出了出处。
同样也提供了友好的接口界面。
如何是做为个人或者企业资料库会是一个很方便快捷的方式，因为能省很多事。
限制方面：每个账户最多可创建10个AutoRAG实例，每个AutoRAG最多可处理10万个文件。
费用：Cloudflare AutoRAG 在公测期间启用是免费的，但会使用账户中的 Cloudflare 服务资源，这些资源将按您的 Cloudflare 使用量计费。具体包括：R2 存储，Vectorize 数据库。
