动手学RAG：Part1 什么是RAG？

学习资料链接：discussion.coggle.club/t/topic/30
大型语言模型（LLM）能够生成连贯、自然的文本，回答问题，并执行其他复杂的语言任务。然而，这些模型存在一些固有的局限性，如“模型幻觉问题”、“时效性问题”和“数据安全问题”。为了克服这些限制，检索增强生成（RAG）技术应运而生。

[@user-nr1ds5kx3r]

您好。想学习。

[@whoopeerobottech638]

講得真仔細。真的很好。有接案嗎?

[@Coggle-Club]

没有哈，个人爱好

[@panfeng2879]

A very helpful video to learn RAG, thanks. 然後我有個問題請假下：如果使用RAG技術做垂直領域的chatbot，比如視頻中的汽車保養吧，那最後的chatbot背後的知識庫應該是LLM的知識庫+汽車保養的知識庫，對吧。也就是說，如果我在chatbot中問了一個和汽車保養無關的問題，但是LLM是知道的，比如中國的首都是哪裏，那chatbot應該也可以給出答案吧？

[@freeluo22]

你这个问题可以通过提示词模块来解决

[@kenshinhu2823]

想问一下如果输入的问题和入库的数据是怎样匹配的？就像中文语境下有可能是同一个意思，但是不是同一个文字的内容，那像这种的话也能匹配上吗？还是说需要一些微调之类的在用户之前就把他们做好关联。

[@Coggle-Club]

可以通过语义相似度进行匹配

[@kenshinhu2823]

@@Coggle-Club 还有一个问题想请教一下：在coggle 中 汽车问答系统里的 question里有一道问题是：“请问这些汽车技术缩略语和术语主要用于哪些品牌的车型？”
像这种问题是需要从数据集是里取得车型是 MR6453DCHEV02，但这个实际是 领克的 01 车型，数据集中没有提及的。像这种有额外需要优化数据，是否仅能补完数据集来完善？

[@Coggle-Club]

@@kenshinhu2823 这个提问可能从给定的pdf中无法回答，可以回答无法回答。也可以补充数据集再完善。