RAG与嵌入模型和VectorDB的组合

Naver Webtoon、杨英顺<电马>

这种组合如此引人注目，我忍不住想说它涉及三种技术。如果你一直在读这篇指南，你肯定还记得检索增强生成 (RAG)。所以，你可能会想：RAG 也会参考现有信息来提供更丰富的答案，对吧？那么，嵌入模型和 VectorDB 的作用是什么呢？如果你不好奇，我很抱歉。但我当时确实很好奇。

•

Embedding模型负责把单词或句子转化为计算机能理解的数字数组，也就是向量。这有点像是教计算机学语言，计算机就能通过这些向量理解句子或者单词的意义了。

•

VectorDB是存储和管理这些转化后的向量的数据库。可以说，它就像是计算机学到语言后的“词汇本”。这里把很多单词和句子都整理成向量的样子，需要用的时候可以很快找到。

•

RAG是一种在回答问题时会先查找现有存储的信息（比如存进VectorDB里的信息）再据此生成答案的人工智能模型。有点像学生要答题时回忆自己学过内容的样子。RAG会参考已有的信息，给出更准确、更有用的答案。

也就是说，VectorDB可以作为RAG模型参考信息的“仓库”。当然了，别的数据库也可以。RAG会为了回答某个具体问题，去查找VectorDB中储存的向量信息，并利用这些信息生成新的答案。在这个过程中，RAG会“理解”VectorDB里的内容，然后以此为基础组织自己的回答。

通过这种方式，RAG可以利用已知知识，给出更丰富、更精准的信息。不过，RAG之所以被关注，是因为AI不只是机械地给出预先设定好的答案，而是能基于存储的知识创造出全新的答复，这才是它的创新之处。

所用图像仅用于说明目的，图像的所有权利均属于来源中注明的原作者。