《基于 InternLM 和 LangChain 搭建你的知识库》

常见术语

RAG: Retrieval Augmented Generation，检索增强生成

1. 大模型开发范式

1.1 RAG VS Finetune

RAG	Finetune
低成本	可个性化微调
可实时更新	知识覆盖面广
受基座模型影响大	成本高昂
单次回答知识有限	无法实时更新

1.1.2 Finetune

（2）成本高昂：需要GPU算力以及模型训练知识

3. 构建向量数据库

3.1 加载源文件$\to$文档分块$\to$文档向量化

• 确定源文件类型，针对不同类型源文件选用不同的加载器
  • 核心在于将带格式文本转化为无格式字符串
• 由于单个文档往往超过模型上下文上限，我们需要对加载的文档进行切分
  • 一般按字符串长度进行分割
  • 可以手动控制分割块的长度和重叠区间长度
• 使用向量数据库来支持语义检索，需要将文档向量化存入向量数据库
  • 可以使用任意一种Embedding模型来进行向量化
  • 可以使用多种支持语义检索的向量数据库，一般使用轻量级的Chroma

4. 搭建知识库助手

4.1 RAG方案优化建议

• 基于RAG的问答系统性能核心受限于：
  • 检索精度
  • Prompt性能
• 一些可能的优化点：
  • 检索方面：
    • 基于语义进行分割，保证每一个chunk的语义完整
    • 给每一个chunk生成概括性索引，检索时匹配索引
  • Prompt方面：
    • 迭代优化Prompt策略

南溪：感觉“概括性索引”就有点像论文的摘要。