|
在Llamaindex的全栈项目分享会上，我多次提到要优先使用RAG，尽量不要微调或增量，大规模的+数据质量错位的，微调+增量技术，不靠谱，很难收到结果！
在会议末尾讲了一下什么情况下用RAG，也分享了一些RAG的坑和经验，刚刚不想让会议显得太长，我这里再补充一下：
重申技术背后： RAG技术是通过从外部来源检索信息，将内容添加到提示中，然后调用LLM！ 目标是为模型提供其参数化上下文（或基本知识）中可能没有的信息。
存在问题与经验： ① 交互问题 通常需要三四轮对话才能理解客户的问题，因为一开始消息没有深入，都是客套话！没用！ 当然，可以设置马上开始检索，但！过早检索数据时，检索的文本没有足够上下文，是很容易检索到垃圾信息的，除非你可以一条提示词，办完事！否则，这时，大模型的注意力集中在错误内容上，降低了生成的准确度！
② 尝试优化想法 基于以上，我们设计了一个确定对话意图过程，然后切换到对应+专门的RAG提示词！有效，但很呆！
③ 最终方案 我们需要多个提示词和状态来模拟对话！基于以上的升级！ LLM Agent（带工具） 与一组操作（工具）配对的提示词 在对话过程中，提示可以返回一个响应，指示应该调用一个带有参数的操作 例如：管理代理的软件执行该操作（“调用baidu.com”）并将结果作为新消息返回到提示词。使用新结果继续与用户进行对话！
④ RAG有两种模式的 第一种：静态，使用提示词和已向量的数据，检索交互 第二种：动态，一边交互，一边把交互内容，生成搜索词，会呼吸的RAG，实现自主更新！提高生成质量！ | 
