基于 Llama-Index、Llama 3 和 Qdrant，构建一个 RAG 问答系统！

↓推荐关注↓尽管大型语言模型有能力生成有意义且语法正确的文本，但它们面临一个比较严重的问题：幻觉。在大模型中，幻觉指的是它们倾向于自信地生成错误答案，制造出看似令人信服的虚假信息。这个问题自大模型问世以来就普遍存在，并经常导致不准确和事实错误的输出。为了解决幻觉问题，事实检查至关重要。检查的方法包括三种方法：提示工程检索增强生成（RAG）微调在这种情况下，我们将利用RAG（检索增强生成）来缓解幻觉。什么是 RAG？RAG = 密集向量检索（R）+上下文学习（AG）检索：为您的文档中提出的问题查找参考资料。增强：将参考资料添加到您的提示中。生成：改进对所提出的问题的回答。在RAG中，我们通过将文本文档或文档片段的集合编码称为向量嵌入的数值表示来处理它们。每个向量嵌入对应于一个单独的文档片段 ………………………………