RAG 工具和框架介绍: Haystack、 LangChain 和 LlamaIndex

Haystack、 LangChain 和 LlamaIndex，以及这些工具是如何让我们轻松地构建 RAG 应用程序的？

我们将重点关注以下内容：

Haystack
LangChain
LlamaIndex

增强LLM

那么，为什么会有这些工具存在呢？如你所知，ChatGPT和其他LLM是在某个时间点之前的一组数据上进行训练的。更重要的是，它们无法访问诸如你本地机器上的文档等私密信息。

现实场景：

你有一个20GB大小的PDF文件。你不能简单地将其内容复制粘贴到ChatGPT中并期待它能处理。你甚至无法使用OpenAI API向模型输入20GB的数据，因为存在诸多限制。在这种情况下，我们可以将数据创建为数值表示形式（称为向量嵌入），并将其存储在向量数据库中。然后，基于给定查询，我们从向量数据库中查找相关信息，并将这些信息以及原始查询一起作为上下文提供给模型。

RAG与向量嵌入：

检索增强生成（RAG，Retrieval-Augmented Generation）是一种架构，用于通过利用数据源中的相关信息帮助像GPT-4这样的大型语言模型提供更好的响应，同时降低LLM泄露敏感数据或“幻觉”出不正确或误导性信息的可能性。

向量嵌入(Vector Embeddings) 是数据的数值表示形式。RAG架构将用户查询的嵌入与数据源中存储的嵌入进行比较，以找出相似之处。然后将原始用户提示与知识库中相关的上下文拼接，形成最终的增强型提示。这个增强型提示随后被发送给语言模型。

下图显示了文本是如何通过嵌入模型转换成数字表示的: