本文描述檢索增強生成如何讓 LLM 將您的資料源視為知識，而不需要訓練。
LLM 透過定型具有廣泛的知識庫。 針對大部分情境，您可以選擇適合您需求的 LLM，但這些 LLM 仍然需要額外的訓練，才能了解您的特定資料。 利用檢索增強生成，您可以將資料提供給 LLM 使用，而無需事先進行訓練。
RAG 的運作方式
若要執行檢索增強生成，您可以為資料建立嵌入向量，並準備與其相關的常見問題。 您可以即時執行此動作，或可以使用向量資料庫解決方案來建立和儲存內嵌。
當使用者提出問題時，LLM 會使用您的內嵌來比較使用者的問題與您的資料，並尋找最相關的內容。 此內容和使用者的問題接著會在提示中移至 LLM，然後 LLM 會根據您的資料提供回應。
基本 RAG 流程
若要執行 RAG，您必須處理要用於擷取的每個資料來源。 基本程序如下：
- 將大型資料分割成可管理的片段。
- 將區塊轉換成可搜尋的格式。
- 將轉換後的資料儲存在允許有效存取的位置。 此外，當 LLM 提供回應時，請務必儲存引文或參考的相關中繼資料。
- 在提示中將轉換後的資料饋送至 LLM。
- 來源資料：這是您資料存在的位置。 其可以是您電腦上的檔案/資料夾、雲端儲存空間中的檔案、Azure Machine Learning 資料資產、Git 存放庫或 SQL 資料庫。
- 資料區塊化：來源中的資料必須轉換成純文本。 例如，文字文件或 PDF 必須破解開啟並轉換成文字。 然後，文字會區分成較小的片段。
- 將文字轉換成向量：這些是內嵌。 向量是將數值表示法轉換為數列的概念，以便電腦了解這些概念間的關係。
- 來源資料與內嵌之間的連結：此資訊會以中繼資料的形式儲存在您所建立的區塊上，然後用來協助大型語言模型在生成回應時生成引文。
