Advanced_RAG

项目简介

Advanced_RAG 项目是一系列 Python noteboooks，其目的是指导用户如何使用 Langchain 框架来实现检索增强生成（Retrieval-Augmented Generation, RAG）。这个项目特别适合那些希望通过丰富的上下文知识来增强大型语言模型（LLMs）的用户。

体系结构流程

基本 RAG

该部分帮助用户理解从查询输入到生成响应的整个 RAG 流程，它通过清晰的视觉流程进行演示，使用户对整个过程有一个直观的认识。

高级 RAG 技术

用户可以在这里探索组成高级 RAG 系统的复杂组件，包括查询构建到生成的每一个环节。

多查询检索器

多查询检索器结构提高了检索过程的效率，它通过从多个来源中选择最佳响应来增强检索效果。

自反性 RAG

该部分展示了一种具备自反性和自我评分功能的 RAG，这对生成和检索的文档进行自我审核。

代理性 RAG

这种代理性 RAG 在检索和生成的文档中引入了一种代理流程，以提高生成内容的适应性和准确性。

自适应代理性 RAG

这个模块展示了具备自适应代理流程的 RAG，能够动态调整生成内容的过程。

校正代理性 RAG

这个部分介绍了一种具备校正功能的代理性 RAG，能够在检索和生成过程中进行校正，以保证生成内容的准确性。

LLAMA 3 本地代理性 RAG

这是一种本地化的 LLAMA 3 8B 代理性 RAG，旨在本地环境中运行，以提供更加私密和高效的处理能力。

Notebook 概述

以下是项目中每个 notebook 的详细概述：

• 01_Introduction_To_RAG.ipynb
  介绍如何构建基本的 RAG 应用的过程。

• 02_Query_Transformations.ipynb
  介绍修改检索问题的各种技术。

• 03_Routing_To_Datasources.ipynb
  创建一种机制，使得 LLM 能够选择正确的数据源。

• 04_Indexing_To_VectorDBs.ipynb
  介绍多种向量数据库中的索引方法。

• 05_Retrieval_Mechanisms.ipynb
  包括重排序、RAG 融合等检索技术。

• 06_Self_Reflection_Rag.ipynb
  介绍具备自反性和自我评分功能的 RAG 系统。

• 07_Agentic_Rag.ipynb
  具备代理流程功能的 RAG 系统。

• 08_Adaptive_Agentic_Rag.ipynb
  具备自适应代理流程的 RAG 系统。

• 09_Corrective_Agentic_Rag.ipynb
  具备校正功能的代理性 RAG 系统。

• 10_LLAMA_3_Rag_Agent_Local.ipynb
  本地运行的 LLAMA 3 8B 代理性 RAG 系统。

Advanced_RAG 项目利用 RAG 与 Langchain 的强大组合，旨在为用户提供更为知性化和准确的自然语言生成能力。