RAG、本地知识库、向量数据库与知识图谱的区别与联系
前言
RAG 的本质是高效检索，而知识库、向量数据库和知识图谱只是组织数据的一种形式。很多人对 RAG 技术还没有一个本质的认识，以及与其相关的本地知识库、向量数据库等概念。
本文将介绍这些概念，以及它们的联系与区别。
RAG——检索增强生成
背景与目的
RAG（Retrieval-Augmented Generation）技术是基于大模型文本生成而产生的一种技术，目的是解决大模型的缺陷问题。简单来说，RAG 相当于给大模型配备了一个资料库，遇到不懂的问题不要胡扯，先去查查资料。
大模型主要缺陷包括：
- 知识更新不及时：大模型的知识仅限于训练数据的截止时间，无法获取之后的知识。
- 大模型幻觉问题：大模型一本正经地胡说八道。
- 大模型知识不足：大模型的知识有限，很多垂直领域的知识它都不知道。
运作流程
完整呈现了 RAG 的运作流程，主要分为三个部分：
- 创建资料库
- 查资料
- 带着资料问问题
生活化类比
你是一个学生，有一天遇到一个你不懂的问题；然后，你爸妈就让你去问邻居家上大学的哥哥姐姐。如果是一些常识性的问题，那么他们可以直接告诉你结果。
但你这个问题比较特殊，涉及到具体的专业知识，比如说化学、物理等；这时上大学的哥哥姐姐可能也不知道该怎么回答你的问题，但以他多年的学习经验，他觉得这个问题他可以解决，但需要先看一下你的课本或资料。
这个步骤就是 RAG 中的第三步，你就是用户，大模型就是邻家的哥哥姐姐；而你比较聪明，在来的时候就怕哥哥姐姐需要看你的课本，你随身就把课本和资料给带着了；这个就是第二步。
然后，邻家的哥哥姐姐看了一会你的课本，然后告诉你这个问题应该怎么给你讲，然后你的问题就解决了。
为什么需要这三步？
因为大模型上面的缺陷，所以导致大模型能力并不是很强，因此有些东西需要查资料才能知道。但怎么才给大模型建一个资料库呢？
这就是第一步，比如需要从不同的文档加载数据，如 Word、PDF、TXT、音频、视频等；然后需要把这些文档中有关联的数据放到一块，这个就叫做嵌入（Embedding），最后把这些数据存储到一个地方，比如向量数据库。
第二步就是检索，有了这些资料之后，怎么才能根据不同的问题，从中找到相关联的资料。比如，你不可能因为一个历史问题就去翻阅整个永乐大典；所以这就需要一种检索技术，比如目录/索引。
接着是第三步，你带着第二步检索到的数据给到大模型，然后大模型就可以根据这些数据来回答你的问题。这时你可能会说，既然有了这些资料你自己看不就行了，还要大模型干什么；那如果你是公司客服，你会为每个用户都重新介绍一下你们公司的产品和企业文化吗？
而这就是整个 RAG 技术的实现流程，每个环节又涉及到不同的技术。比如第一步创建资料库，需要文档加载技术、分词技术、嵌入技术等；第二步需要向量化技术、准确高效的检索技术等；第三步需要提示词技术、大模型调用技术等，因为第二步查到的资料需要放到提示词中让大模型自己去'看'。
所以，从这里也可以看出，严格来说 RAG 技术和大模型没太大直接关系（这里的没关系是指进行业务处理的大模型，而文档嵌入本质上使用的也是嵌入大模型）。大模型不管你使用的是什么资料库，也不关心你查到了哪些资料，大模型关心的只是你最后在提示词中携带的资料。
大模型与本地知识、向量数据和知识图谱
什么是本地知识库？
本地知识库说白了就是资料库的一种，比如说你们公司的技术档案、销售记录、公司的规章制度等都属于本地知识库的范围。本地知识库的作用是把一个组织内部的资料梳理出来方便大家使用。
所以，本地知识库的本质是资料库；而这个资料库可以有多种不同的组织形式，比如以文档、书籍、或者网页、视频、甚至是会议记录等形式存在，也可能是多种形式的混合。
什么是向量数据库？
向量数据库是一种存储数据的方式，只不过由于大模型的出现，导致基于以前的字符存储变成了基于语义的向量存储。向量数据库从功能上来说和传统的数据库没有本质区别，不论是 MySQL，还是 Redis；只不过传统的数据库是基于字符匹配，而向量数据库基于语义匹配（本质上一种数学模型，如欧式距离和余弦函数）。
向量数据库既然是数据库，那么它就具备数据库的特性，存储数据和查询数据；它是数据存储的载体，就类似于工作中的文件夹。
