RAG（Retrieval Augmented Generation）是一种结合了检索和生成的 AI 应用落地方案。它的主要思想是通过检索外部数据，并在生成步骤中将这些数据传递给 LLM，以增强生成的质量和多样性。
构建 RAG 通常包括以下步骤：
文档加载：从多种不同来源加载文档，如 PDF、SQL、代码等。 文本分割：将文档切分为指定大小的块，称为“文档块”或“文档片”。 存储：涉及将切分好的文档块进行嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过某种检索算法找到与输入问题相似的嵌入片。RAG 的落地应用包括：
本地部署大模型以及搭建个人知识库。 实现窗口上下文检索。 打造企业级知识库。在实际应用中，RAG 可以根据具体需求进行调整和优化，以提高其性能和效果。
