告诉面试官我想做AI全栈，Rag要被问傻了
1. RAG是什么？
RAG是一种结合检索（Retrieval）和生成（Generation）的技术，主要用于让AI在回答问题或生成内容时，能够更好地利用外部知识库，而不是完全依赖于自身预训练的知识。简单来说，它就像是给AI配了一个“外挂”，让它在回答问题时可以先去知识库中查找相关的资料，然后再生成答案。
2. RAG怎么解决AI幻觉问题？
AI幻觉是指AI生成的内容与事实不符或缺乏依据。RAG通过以下方式减少幻觉：
- 检索知识库：当用户问问题时，RAG会先去知识库中查找与问题最相关的资料（比如文档、数据等）。这些资料是经过验证的，所以AI生成的内容会更有依据。
- 减少模型更新和推理成本：AI模型不需要频繁更新来学习新知识，因为知识库可以随时更新，AI只需要检索最新的知识即可。 来张图展现一下（感谢网上的图像）
3. RAG的工作原理
RAG的工作可以分为三个阶段：
（1）检索（Retrieval）
- 用户提出问题后，RAG会先将问题转换成一个“向量”（一种数学表示），然后在知识库中查找最相关的向量。
- 知识库中的内容会被提前处理成向量，并存储在一个叫 “向量数据库” 的地方。这个数据库可以根据语义理解来检索数据，而不是单纯靠关键词匹配。
- 比如，你问“如何做巧克力蛋糕”，RAG会在知识库中找到与“巧克力蛋糕制作”最相关的资料片段。
（2）增强（Augmented）
- 找到相关资料后，RAG会把资料和用户的问题组合在一起，形成一个新的输入，送给大模型。
- 这就好比你给AI提供了一个“提示”，让它在回答问题时有更具体的参考。
（3）生成（Generation）
- 最后，AI根据组合后的输入生成答案。因为有知识库的支持，生成的内容会更准确、更有针对性。
4. 如何构建RAG知识库？
构建RAG知识库的过程大概如下：
- 准备知识库数据：把相关的文档、资料整理好，这些可以是公司内部的文件、行业知识等。
- 文本分块：把长文档分割成小块，每块包含一部分信息。比如一篇长文章可以分成多个段落。
- 向量化：用一个叫 “embedding model” 的工具，把文本块转换成向量，存储到向量数据库中。后面使用如（余弦相似法，求问题和对应知识库内容距离，得到相似度）
- 设置检索规则：告诉RAG如何根据用户问题检索最相关的向量。
5. RAG的优势
- 减少幻觉：因为有知识库的支持，AI生成的内容更有依据。
- 灵活更新：知识库可以随时更新，而不需要重新训练AI模型。
- 高效检索：通过向量检索，可以在海量数据中快速找到相关资料。
6. RAG和Fine-tuning的区别
- RAG：不需要对AI模型进行微调（Fine-tuning），而是通过检索知识库来增强生成能力。这种方式更灵活，不需要大量的训练数据和计算资源。
- Fine-tuning：需要对模型进行重新训练，适应特定任务或数据。这通常需要大量数据和计算资源，而且一旦数据更新，可能需要重新训练。
7. FastGPT和LlamaIndex的使用场景
- FastGPT：适合快速搭建RAG应用，不需要编码，操作简单。你只需要准备好知识库数据，导入到FastGPT中，就可以快速使用。
- LlamaIndex：更适合需要定制化的场景，比如自定义知识库的切分规则、调整检索逻辑等。但使用它需要一定的编程能力。
如何基于公司私有组件库来生成代码？
- 推荐： RAG：
Retrieval（检索）-Augmented（增强）-Generation（生成） - 不推荐：Fine-tuning 微调
- 不推荐：预训练自有模型
RAG 的内部原理是什么？
Retrieval阶段：根据用户输入的问题，检索知识库数据，召回相似的知识库数据。Augmented阶段：将检索到的知识库数据与用户输入的问题组合到一起，作为输入给大模型。Generation阶段：大模型根据输入的内容生成代码。
