RAG是什么？
RAG 是大模型的外挂知识库，英文全称 Retrieval – Augmented Generation
是大模型的知识外挂。
明确大模型的知识边界
首先，明确大模型的知识边界，要知道大模型不能干什么。
第一：大模型是由过去的知识训练得来的，所以在知识的实时性上存在短板
第二：大模型的核心实现是基于数学概率，所以在内容生成上存在不合逻辑不符合的实际的现象，这也被称作幻觉。
第三：大模型一般都是公开的数据集训练成，缺乏专业领域的知识，所以需要补充行业或者是公司内部的专业知识，另一个原因就是为了保证专业知识的数据安全性，一般都不会把这类知识放在第三方的平台上进行训练和推理。
所以RAG主要就是对现下的大模型进行补短板和优化。解决知识的实时性补充和上下文的逻辑补充，以及专业知识的补充，和维护数据安全。
基本上RAG要解决的就是这四个方面的问题。
RAG的实现
把RAG 的目的搞清楚了之后，再来讨论它是怎么实现的。上文已经知道了RAG是对大模型进行知识补充，也就是说，RAG应该有很多数据，那么这些数据如果我们要使用的话，就涉及到对数据进行检索和存储的问题。
检索和生成这两点都是RAG的核心。
在检索这块，为了提高检索的效率和准确性，必然是要用到一些技术的，这里面包括对查询的优化，和对索引的优化。
在查询这块上，一般会使用Enrich、多路召回、问题分解等优化方法（这里主要对这三种做解释）。
Enrich，对查询丰富化，也就是要求用户补充足够的信息，也就是要求用户提供更加全面的信息。
多路召回，对问题从不同的维度去进行检索。
问题分解，对问题进行分解，按一个一个小问题进行回答。
这里需要注意，多路召回和问题分解是有本质上不同的。
索引的优化，有：
摘要索引，这里会结合大模型，对知识文档生成摘要，然后将摘要作为索引。
父子索引，这里实际上是对文档进行切割，例如将文档切成不同的大块之后，将每个大块切成若干份小块，类似于树形结构。
假设性问题索引，这里会对文档生成若干份的假设性问题，然后将问题作为索引。
以及元数据索引，像文章的标题、作者，甚至是摘要，也就是说文章的相关信息。
以上所说的优化是预检索优化，除了预检索优化还有后检索优化。
这里包括混合检索以及重排序、向量过滤。（为避免复杂，这里不对多模态RAG作解释）
搜索和索引说完之后，我们再来看看存储。
在存储上，一般会分为两块，一块是知识文档的存储，一块是索引向量的存储。
存储索引向量的同时，一般会附带着存储索引所对应的文档信息，也就是说会根据索引找到文档。
除了以上的实现，再点一下数据预处理，也就是数据的解析以及分块和入库。
数据的类型包括pdf、world、excel等等，我们需要对些文档做一些必要的解析和分块，最后就是入库和构建索引。
