RAG基础知识: https://python.langchain.com/docs/use_cases/question_answering/

本文主要讲解通过Langchain 和Ollama这2个工具实现RAG。

Langchain: https://python.langchain.com/docs/get_started/introduction

Ollama: https://ollama.com/

先简单理清一下RAG, Langchain， Ollama三者的关系:
RAG是一种技术方法， 通过信息检索给大模型提供事实数据， 从而增强大模型生成的真实性， 可以理解为大模型的一个外挂知识库。

Langchain是一个大模型模型的开源框架，核心是以pipeline的形式串联大模型应用构建的全流程， 使用它可以大幅简化大模型的应用开发流程。

Ollama是一个本地运行大模型的工具。想要把大模型在本地跑起来还是有一定门槛的， 并且模型众多，每个大模型的使用和配置都不同， 实在比较麻烦。 Ollama把这一切繁琐的流程都打包了，提供一键运行能力。

Langchain中目前已经支持Ollama接口。

所以总结一下， Langchain和Ollama就是2个非常重要的辅助工具， 使用他们可以非常便捷地实现RAG。