鐵人檔案
這次挑戰中，我以RAG × Agent：從知識檢索到智慧應用的30天挑戰」為主題，試想紀錄自己從零開始學習檢索式生成 (Retrieval-Augmented Generation, RAG) 的過程。
內容會包含幾個部分，先從探索RAG的基礎原理開始，最後希望可以進一步延伸到 AI Agent 的應用。
在第一天，我想先從基礎先談起。大家可能都聽過生成式 AI 像是 （ChatGPT），有時候使用完他可能也是在「亂編答案」，不見得能夠一步到位就生成你想要的問題，...
昨天我們提到 LLM 有三個限制：資料過時、資料來源有限，以及容易產生幻覺。今天要介紹的 RAG（Retrieval-Augmented Generation）...
昨天看到 RAG 架構，今天要更深入，看看如何建立知識庫。 我們先看這張圖來逐一拆解他的步驟：來源:Build a Retrieval Augmented Ge...
昨天把 Indexing pipeline 跑過一遍：從資料載入、Chunking、Embeddings，到向量資料庫。要讓 RAG 找到「對的內容」，關鍵在第...
怕大家突然看到這篇會不知道為什麼跳到這部分，如果是新來的朋友想了解詳細流程，可以先回顧我之前第三天的文章：Day 3｜Indexing pipeline：如何為...
新來的朋友，一樣先建議先回顧先前的文章，才會比較明白整個 Indexing pipeline 的流程以及這章是在哪個環節噢！文章在這：Day 3｜Indexin...
之前我們已經討論過 Indexing pipeline 是怎麼把知識存進去，現在就要來看 Generation pipeline 如何把知識「取出來用」。這邊可...
在 Day 7｜Generation pipeline：AI 如何把知識取出來用 有說到檢索方式其實有很多種，今天就來介紹幾種常見的檢索方式。 1. TF-...
延續 Day 7｜Generation pipeline：AI 如何把知識取出來用 的內容，這邊要講到 Prompt Engineering，這邊會很重要的原因...
新來的朋友，建議可以先回顧前幾天的文章，之前已經分別聊過 RAG 的兩大流程： Indexing pipeline：資料怎麼被處理、切割、轉換成向量，最後存進...
