在人工智能领域，知识库机器人已经成为推动智能化发展的重要力量。它们能够高效地处理海量信息，为用户提供精准、及时的知识服务。今天，我们将一起揭开知识库机器人的神秘面纱，探讨知识库机器人的原理。
什么是RAG？
知识库的整套技术在学术界有一个专业名词，叫RAG，即Retrieval-Augmented Generation，翻译成中文就是检索信息增强，是一种将信息检索机制与AI模型结合的创新方法。
RAG还有一个通俗的叫法，叫外挂知识库。外挂的含义就是，和AI大模型是分离的。如果不分离，那就是模型微调了，又是另外一回事了。
RAG的原理
RAG的原理其实很简单，就是模型生成回答时，不是自己直接生成，而是先去查一下知识库，再进行生成。通俗的来说，就是开卷考试（RAG）和闭卷考试（直接生成）的差别。
从流程上来说，绝大多数RAG可以分为这3步：
1、创建知识库
（1）输入数据（上传文件）
（2）处理数据（切片+向量化）
（3）存储数据（存到向量数据库）
2、查询知识库
（1）搜索数据（向量检索）
（2）处理数据（重排序）
（3）输出数据（挑选相关性高的）
3、AI生成答案
通俗的来说，就是将一个巨大的数据，切成很多小块，当AI进行问答时，搜索出关联性高的小块，根据这些小块的内容进行回答。这样的好处就是：AI不需要处理大量的数据，只需要处理很少量的数据就可以了，提高了速度，降低了成本。
但是劣势也是很明显的，就是断章取义。由于AI只拿到了部分数据，无法看到全局，所以这是RAG的天然劣势。
RAG的关键
RAG的本质就是断章取义，那么怎么断，怎么取，就决定回答的质量，在整个过程中，AI的作用其实是很小的。关键是在第一和第二步中，也就是数据处理和数据检索。
数据处理的关键是如何切片，302.AI提供了非常丰富的切片设置，具体可以看这一篇文章：https://help.302.ai/docs/ru-he-jin-xing-qie-pian-you-hua。
数据检索的关键是如何找到关联性大的内容，302.AI采用了双重检索的机制，先使用向量检索粗检索，再用重排序算法（rerank）精检索，最后输出到大模型，大大提高了精度。
GraphRAG
GraphRAG是微软提出的一种新式的RAG技术，原理就是在数据输入阶段，用AI对数据进行了图谱化处理，让AI去理解数据，建立数据语义的关联，使检索精度大大提高。
GraphRAG的本质，是在原有的数据基础上，用AI创造了新的数据。这种新的数据是通过构建知识图谱来实现的，这不仅有助于更好地组织和存储信息，还能使AI在进行检索时能够更智能地识别和推理数据之间的关系。这种方法有效地提升了信息检索的准确性和效率，使得系统在处理复杂查询时表现得更加出色。此外，GraphRAG的图谱化处理还可以帮助发现数据中的隐藏模式和趋势，从而为用户提供更深刻的洞察和决策支持。
GraphRAG也不是没有缺点的，第一就是会比较贵，因为在数据录入的过程中，需要AI进行处理，一定会产生AI的费用。第二就是比传统RAG要慢，因为检索图谱的过程会复杂很多。
302.AI现已独家提供GraphRAG的知识库接入和API接入，代码基于Nano-GraphRAG开发，更加轻量化。
知识库的原理就是AI先查询再回答。那么如何查询到关联性高的片段，就是知识库最核心的部分。302.AI提供了2种模式：传统RAG和GraphRAG，可以根据需求去选择，下面将简单展示一下如何使用302.AI的知识库机器人：
选择好后填写知识库名称和描述进入编辑知识库页面（不填会自动生成），选择【导入文档】或是复制【链接】进行导入数据（下面以GraphRAG为例）：
导入成功后表明知识库已经建立完成，接下来就是要选择模型及刚刚新建的知识库，目前提供了国内外多种模型选择，可满足不同任务和领域的需求。
知识库机器人创建成功后会直接跳转进入聊天界面，这样就可以向知识库机器人进行提问啦！
希望通过本文对RAG和GraphRAG的解析，能让读者更好地理解知识库机器人背后的强大技术支撑。随着人工智能技术的不断进步，知识库机器人将在更多领域发挥巨大潜力，同时，我们也期待看到更多创新性的应用场景涌现，让知识库机器人更好地服务于人类社会，推动知识的传播与进步。
