检索增强生成 (RAG) 是一种架构，它使用语义搜索通过附加数据增强大型语言模型 (LLM)，使其能够生成更准确的响应。
语义搜索根据含义检索相关文档，而 RAG 更进一步，将这些检索到的文档作为上下文提供给 LLM。这种额外的上下文有助于LLM对用户的查询生成更准确的响应，从而减少幻觉。Voyage AI提供一流的嵌入和重排序模型，为 RAG 应用程序的检索提供支持。
要在不编写任何代码的情况下试用 RAG，请使用 Playground 构建由 Voyage AI 提供支持的 AI 聊天机器人。要学习；了解更多信息，请参阅聊天机器人演示生成器。
Tutorial
以下教程演示了如何使用 Voyage 嵌入实现RAG。
您还可以通过克隆GitHub存储库来使用本教程的代码。
为何使用 RAG？
在使用 LLM 时，您可能会遇到以下限制：
过时数据：LLM 在特定点之前的静态数据集上进行训练。这意味着他们的知识库有限，可能会使用过时的数据。
无权访问权限其他数据：法学硕士无权访问权限本地、个性化或特定领域的数据。因此，他们可能缺乏特定领域的知识。
幻觉：使用不完整或过时的数据时，法学硕士可能会生成不准确的响应。
RAG 通过添加检索步骤（通常由语义搜索提供支持）来实时获取相关文档，从而解决了这些限制。提供额外的上下文有助于法学硕士生成更准确的答案。这使得 RAG 成为构建AI聊天机器人的有效架构，而这些聊天机器人可提供个性化、特定领域的问答和文本生成功能。
什么是向量数据库？
矢量数据库是专门为存储和高效检索向量嵌入而设计的数据库。虽然在内存中存储向量适用于原型设计和实验，但生产 RAG 应用程序通常需要矢量数据库才能从更大的语料库中执行高效检索。
MongoDB原生支持向量存储和检索，因此成为将向量嵌入与其他数据一起存储和搜索的便捷选择。要学习；了解更多信息，请参阅MongoDB Vector Search 概述。
后续步骤
有关其他教程，请参阅以下资源：
要学习如何使用流行的 LLM 框架和AI服务实现RAG，请参阅MongoDB AI集成。
要构建AI助手并实现代理 RAG，请参阅使用MongoDB构建AI助手。