RAG с нуля

LLM обучаются на большом, но фиксированном корпусе данных, что ограничивает их способность рассуждать о частной или недавней информации. Тонкая настройка (Fine-tuning) - один из способов смягчить эту проблему, но зачастую она не очень хорошо подходит для фактического запоминания и может быть дорогостоящей. Популярным и мощным механизмом расширения базы знаний LLM стала генерация с расширением поиска (Retrieval augmented generation, RAG), использующая документы, полученные из внешнего источника данных, для обоснования генерации LLM с помощью внутриконтекстного обучения.

В этом репозитории есть блокноты, а на YouTube есть плейлист, в которых с нуля рассказывается о RAG, начиная с основ индексирования, поиска и генерации.

GitHub: https://github.com/langchain-ai/rag-from-scratch