虽然LLM（大语言模型）非常强大，但它们对于它们未经训练的信息一无所知。如果想使用LLM来回答它未经训练的文档相关问题，我们需要向其提供这些文档的信息。最常用的方法是通过"检索增强生成"（ Retrieval Augmented Generation，RAG）。

检索增强生成的思想是，在给定一个问题时，首先进行检索步骤以获取任何相关文档。然后将这些文档与原始问题一起传递给语言模型，并让它生成一个回答。然而，为了做到这一点，首先需要将文档以适合进行此类查询的格式呈现。

本专栏介绍了这两个步骤的核心思想：

（1）将文档摄入到向量数据库Milvus中进行存储

为了使用语言模型与数据进行交互，首先需要将文档转换为合适的嵌入格式。通过将文档转换为嵌入向量，并存储到向量数据库中，可以让后续的检索操作更加快捷方便。

将文档摄入到向量数据库中可以参考如下几个步骤来完成：

• 加载文档（使用文档加载器）
• 分割文档（使用文本分割器）
• 为文档创建嵌入（使用文本嵌入模型）
• 将文档和嵌入存储到向量数据库中（Milvus向量数据库），并构建索引

(2) 进行检索增强生成链

现在我们有了一个向量数据库和索引，如何使用它进行生成呢？可以将此过程分为以下步骤：

• 接收用户提问（Question）
• 在向量数据库和索引中查找与问题相关的文档
• 使用问题和相关文档构建一个提示词 Prompt
• 将Prompt 传递给语言模型
• 获取结果并返回给用户

专栏大纲

在过去的一个月中，我有幸参与了数场研讨会，其中一个不言而喻的共识是，检索增强生成（Retrieval Augmented Generation，简称RAG）技术在过去一年里已迅速成为人工智能界的宠儿，并被众多AI团队广泛应用。

所谓RAG，是指一种借助检索外部信息来增强大型语言模型（LLM）的能力，从而提升模型应答品质的技术。

RAG之所以风头正劲，是因为它将语言模型与外部知识库巧妙结合，从而能够生成更为精准、更具事实依据的内容。RAG模型通过无缝融合检索与生成过程，能够实时从庞大的数据库中提取相关信息并融入所生成的文本之中，有效避免了模型输出中可能出现的虚假或错误信息。目前，许多AI团队正把RAG视为研究重点，众多工具如向量数据库、LLM接口及其编排工具等也应运而生，旨在简化RAG的实施流程。

尽管RAG的巨大潜力不言自明，但关于如何最佳运用这一技术的实践仍在不断演进之中。要部署一个高效的RAG系统，需要对各个构成要素进行大量实验和优化，包括数据集、模型嵌入、分块策略等方面。

在本专栏中，我们将利用LangChain框架和Milvus向量数据库，逐步搭建一个RAG智能问答系统。内容将涵盖RAG的基础知识、技术选型、准备HTML文档数据、应用嵌入模型和sentence-transformers库、构建和索引Milvus向量数据库、文档的加载与分割、向量数据及元数据的存储、近似最邻近（ANN）向量搜索、上下文和元数据的整合、提示语的拼接，以及基于LLM的大型语言模型生成回复。

这一系列内容旨在为读者提供一条从入门到精通的RAG技术之路。