Samenvatting
Retrieval Augmented Generation verbindt uw database met de mogelijkheden van grote taalmodellen. In plaats van te vertrouwen op de trainingsgegevens van een model, geeft u actuele, relevante informatie op uit uw eigen tabellen.
Het volledige RAG-patroon wordt uitgevoerd in T-SQL. Uw database organiseert de stroom: zoeken, opmaken, vragen, aanroepen, parseren. U kunt AI-mogelijkheden toevoegen aan bestaande toepassingen door opgeslagen procedures te wijzigen zonder de toepassingsstack opnieuw te ontwerpen.
In deze module hebt u het volgende geleerd:
- Rag-gebruiksvoorbeelden identificeren: scenario's herkennen waarbij LLM-antwoorden (Grounding Large Language Model) in database-inhoud de nauwkeurigheid en relevantie verbeteren
-
Context van SQL voorbereiden: gebruiken
FOR JSONom queryresultaten te converteren naar tekst die LLM's effectief kunnen verwerken - Uitgebreide prompts samenstellen: nettoladingen voor aanvragen bouwen die systeeminstructies, opgehaalde context en gebruikersvragen combineren
-
De RAG-pijplijn uitvoeren: Azure OpenAI-eindpunten aanroepen en
sp_invoke_external_rest_endpointde antwoorden parseren