RAG（增强检索生成）是一种技术，允许大型语言模型（LLMs）在不重新训练的情况下使用外部信息源回答问题。这是它在Llama 2、Langchain和ChromaDB中的工作原理：

1. 文档表示 :

• 文档首先使用 Langchain 转换为称为嵌入的数值表示。

• ChromaDB，一个向量数据库，存储这些嵌入及其对应的原始文档。

2.检索步骤 :

• 当用户提问时，Langchain 也会将其问题转换为嵌入向量。
• 然后 ChromaDB 进行语义搜索，在数据库中找到与问题嵌入向量最相似的文档。
• 这样就检索到了与用户查询最相关的文档。

3.提示增强 :

• 检索到的文档用于为大语言模型（LLM）Llama 2 创建上下文。
• 这个上下文通常被表述为引导 Llama 2 生成答案的提示或额外信息。
• 提示可能概括检索到的文档或直接引用相关段落。

1. 答案生成 :

• Llama 2 在生成答案时会结合提供的上下文及其自身的知识。
• 这使得 Llama 2 能够通过整合从检索到的文档中获取的信息，来回答那些可能未在其预训练数据中明确涵盖的问题。

RAG 的优势:

• 提供通过使用外部信息源来确保答案准确无误。
• 提高了LLM能够回答的问题范围。
• 允许使用不断更新的信息而无需重新训练LLM。

这里有一些资源，可能会帮助你进一步理解：

代码 : https://www.kaggle.com/code/gpreda/rag-using-llama-2-langchain-and-chromadb