RAG的实现快速示例
RAG（Retrieval-Augmented Generation）实在就是结合了检索与生成，核心流程分为 检索（Retrieval） 和 生成（Generation） 两大阶段，通过外部知识库增强生成式模型的准确性和可靠性。流程实在也很简朴，如下图：
https://i-blog.csdnimg.cn/img_convert/ddff3176c5bc74138bf8f802300a6a3f.png
关于RAG的根本概念的介绍，可以参考：
RAG(检索增强生成)快速入门
本篇通过一个快速示例演示RAG的实现。
本篇的开发环境
由于本篇旨在演示RAG的快速实现，所有利用的都是比较小型的模型，实际应用和开发可以选取大的模型，这样的效果会比较好。
[*]嵌入模型：all-MiniLM-L6-v2， 用于将文本转换为向量，向量维度384
[*]自然语言模型：Qwen2.5-0.5B-Instruct
[*]向量数据库： LanceDB
[*]开发语言： Python
[*]开发IDE： VS Code
实现目标
如果有以下文本内容：
"熊猫是中国的国宝，主要栖息在四川山区。",
"长城是古代中国建造的军事防御工事，全长超过2万公里。",
"量子计算利用量子力学原理进行信息处理，相比经典计算机有显著优势。"
现在须要通过RAG获取 “熊猫栖息地?”的答案。
实现步骤
通过嵌入模型获取文本的向量
model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
documents = [
"熊猫是中国的国宝，主要栖息在四川山区。",
"长城是古代中国建造的军事防御工事，全长超过2万公里。",
"量子计算利用量子力学原理进行信息处理，相比经典计算机有显著优势。"
]
# 获取嵌入向量
embeddings = model.encode(documents)
vector_dim =len(embeddings) #获取向量的维度，这里是384
上面三句话的向量是3个维度是384的数字的数组，如下所示：
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]