Zusammenfassung
Die Retrieval-Augmented Generation verbindet Ihre Datenbank mit den Fähigkeiten großer Sprachmodelle. Anstatt sich auf die Schulungsdaten eines Modells zu verlassen, stellen Sie aktuelle, relevante Informationen aus Ihren eigenen Tabellen bereit.
Das gesamte RAG-Muster wird in T-SQL ausgeführt. Ihre Datenbank koordiniert den Fluss: Suche, Format, Aufforderung, Anruf, Analyse. Sie können vorhandenen Anwendungen KI-Funktionen hinzufügen, indem Sie gespeicherte Prozeduren ändern, ohne den Anwendungsstapel neu zu erstellen.
In diesem Modul haben Sie Folgendes gelernt:
- Identifizieren von RAG-Anwendungsfällen: Erkennen von Szenarien, in denen die Grundierung von LLM-Antworten (Large Language Model) in Datenbankinhalten die Genauigkeit und Relevanz verbessert
-
Vorbereiten des Kontexts aus SQL: Verwenden,
FOR JSONum Abfrageergebnisse in Text zu konvertieren, den LLMs effektiv verarbeiten können - Erstellen erweiterter Eingabeaufforderungen: Erstellen von Anforderungsnutzlasten, die Systemanweisungen, abgerufenen Kontext und Benutzerfragen kombinieren
-
Ausführen der RAG-Pipeline: Aufrufen von Azure OpenAI-Endpunkten mithilfe
sp_invoke_external_rest_endpointund Analysieren der Antworten