# Ai+rag 课程学习笔记（一）

因为Cos72有AI相关的开发诉求，包括Agents模块和AI search等等。而之前和几个同学也沟通过，对于一个社区来说，或者普通个体来说，处理复杂的信息是最繁重的事情，如果有AI来帮忙，会更好。

因此购买了一个135节课（每个10分钟左右），计划每日5节课速度学习，当然，也会记录笔记到此。视频限于版权无法分享，但心得可以。

## 24 Nov

RAG是什么？（答案来自AI）：一句话，使用（图）数据库来增强AI生成结果。

```plaintext
RAG(Retrieval-Augmented Generation)是一种基于检索的生成模型架构,主要用于自然语言生成任务。它由两个主要组件组成:

检索组件(Retriever)：这个组件用于从大型知识库中快速检索相关的信息,以辅助生成模型产生高质量的输出。

生成组件(Generator)：这个组件是一个预训练的生成模型,它利用检索到的相关信息来生成最终的输出文本。

RAG的工作流程如下:

用户输入一个查询或任务描述
检索组件根据用户输入快速检索相关的背景信息或知识
生成组件结合检索到的信息生成最终的输出
通过这种方式,RAG可以利用大规模知识库中的信息来增强生成模型的性能,提高输出的相关性和信息丰富性。这种架构在问答系统、对话系统、文本摘要等自然语言生成任务中表现出色。

总的来说,RAG是一种集检索和生成于一体的模型架构,可以显著提升生成模型在信息丰富性和相关性方面的表现。它是近年来自然语言处理领域的一项重要进展。
```

RAG模型核心过程

1. 准确率代表了生产级别的产品而非demo
    
2. 信息源头解析为文本：如何检测识别率？
    
3. 文本Splitter的大小等参数，如何切割效果评估、反馈、调优？
    
4. 如何选择Split后的chunks转向量的模型？如何评估向量转换模型效果好坏？（RAG和知识图谱）
    
5. 向量数据库选择和性能优化
    
6. Prompt转换为查询向量后，如何调优向量匹配算法来查询到准确结果？
    
7. 查询结果的降噪和rerank处理
    
8. 效果评估
    

复杂问题

可以分解为子问题，然后使用Agents来分别完成和汇总

今日学习了9节课

RAG概述：1-7

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1732505121221/001ecdfd-96d9-41de-ac50-afb21f22f9ef.png align="center")

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1732505179690/ebdbbb73-6d1c-4068-baf7-59b6a239d4e0.png align="center")

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1732505195866/d28accaa-4263-4c5b-8b64-d6567b98fb16.png align="center")

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1732505211941/07ddb28f-4133-49d5-8993-875795888fa8.png align="center")

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1732505226997/2be8a0d7-a50d-4f9d-861f-2115d9e9f4d5.png align="center")

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1732505236722/4d02d6b7-29d0-40df-b04f-bbb691021d4f.png align="center")

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1732505249261/c3c9a92b-fc35-4903-89b3-4443e56f5286.png align="center")

LangChain开头1-2,这个下个笔记说