技术科普｜文科生也能看懂的 AI 与 RAG！

RAG 技术，简单来说，就是当我们使用 AI（LLM大语言模型）检索答案时外接一个特有的知识库，让 AI 基于知识库内容给出更专业和精准的回答。今天来聊聊文科生也能看懂的 AI 与RAG.

由于知识可以被 AI 看成是非结构化的数据，在本次讨论中我们统一将非结构化的知识和结构化的数据称之为数据。

导致AI模型产生幻觉有若干因素，主要原因源于训练的数据。目前的大语言模型就好比一个学生，接受了“义务教育”程度的数据训练，能够处理简单的“加减乘除”，可是当需要通过逻辑推理等更高级的智力劳动去完成实际工作时，往往只能“不懂装懂”了。

RAG 即检索增强生成，这种方式在我们与 AI 互动之间增加了一个知识库，让 AI 在生成响应之前引用这个知识库。一个形象，但或许没有那么恰当的比喻：搭载了知识库的大型语言模型（LLM）就好比一个学生经过工作后成为了专家，可以在更专业的领域解决问题，我们可以在知识库里维护数据并保障数据安全。严谨来说，RAG 的作用更像是一个“百科全书式的助手”，帮助模型在生成回答时引用最新的、结构化的领域知识，从而提升其在专业领域的表现。

假设你是一个果农，对种植苹果颇有研究。现在可以把某一个新品种苹果的知识转化成数据，AI 学习后成就能成为你的智能种植助手。

我们可以尝试以下两种方式处理知识：一是向量化，二是构建知识图谱。

• 向量数据库：抽象出苹果的知识 -> 切分成等量的文本模块 -> 将这些内容转化成向量存储在向量数据库。AI 在向量数据库搜索与问题最相似的向量和上下文，最后把这些知识文本返回给用户。

• 图数据库：如 NebulaGraph.首先需要提炼“苹果”有关联的内容以及相关概念之间的关系 -> 构建知识图谱 ->存储到图数据库。AI 通过图数据库检索知识图谱并生成回答。

无需陷入复杂的技术实现细节，直接在界面中上传你的知识资产。

可以选择全文、图、向量等多种方式建立知识索引（构建智能知识体系），供 AI 应用进行检索。

通过简单点击即可快速建立 AI 智能应用，一问一答都来源于你的专属智能知识体系。

除了用来搭建 AI 应用，通过全文、图或向量建立的知识索引也可以供你自由探索。在界面中拖拉拽就可以洞察知识体系中知识点的关联，做出智慧的决策。

关于作者：胡清莹。NebulaGraph Ambassador, NebulaGraph 技术文档工程师。关注清莹的公众号「俗人茶室」，了解更高效的个人知识管理，更高质量的技术写作，更省力的内容传播方式。