RAG：Retrieval（检索）- Augmented（增强）- Generation（生成）
RAG 技术原理简单来说：从大模型外的知识库（如私有的向量数据库、联网的实时数据等）中检索与查询相关的信息，然后结合这些信息以及原始查询，一起给到大语言模型，从而生成包含专业领域（大模型外的知识）的内容
整体流程：
- 准备部分（提问前）：
- 分片：将知识库的文本按照规则分为n 个片段（例如 x 个字为一个片段）
- 索引：遍历每个片段，将每个片段计算出对应文本的向量，并存储 向量+原始文本到向量数据库当中
- 回答部分（提问后）
- 召回：计算相似度（用户问题文本向量，每个片段向量），取例如 x 个相似度最高的片段（有点像简历筛选，量大，成本低，精确度低）
- 重拍：在这 x 个片段中计算 y 个（y < x) 片段与用户问题的相似度最高的片段
- 把这 y 个片段 + 用户问题 一起交给大模型回答