将你的稍后读用于 LLM 的数据来源（RAG），利用简悦插件 · 导出简悦知识库零代码打造你的个人专属 AI 资料库

▎ 将你的稍后读真正的用于 LLM 的数据来源。

🔗 永久链接 | 教程 | 知乎 | Newsletter

⚠️ LLM 的问题

1️⃣ 在没有答案的情况下提供虚假信息。

2️⃣ 当用户需要特定的当前响应时，提供过时或通用的信息。

3️⃣ 从非权威来源创建响应。

4️⃣ 由于术语混淆，不同的培训来源使用相同的术语来谈论不同的事情，因此会产生不准确的响应。

而 RAG（检索增强生成）方式是解决这些问题的一种方法，它会重定向 LLM，从而从权威的、预先确定的知识来源中检索相关信息。

🤖 什么是 RAG

全称 Retrieval Augmented Generation ，中文称作「检索增强生成」，是指对大型语言模型输出进行优化，使其能够在生成响应之前引用训练数据来源之外的权威知识库。

▎ 上述内容部分摘选自 https://aws.amazon.com/cn/what-is/retrieval-augmented-generation/ 如果对这方面感兴趣的话，可以直接在此链接查看。

📚 前置知识

下面的内容将会涉及到简悦的一个专门用于导出 RAG 的插件：导出简悦知识库（用于 RAG 打造个人专属 AI 知识库）。

👉 https://t.me/simpread/618

❓ 能做什么

导出 RAG 数据插件可以将你的稍后读通过既定的查询规则，合并导出（支持标注或全文），然后被可以支持嵌入语言模型的 AI 工具转换并将其存储在向量数据库中，最终被 LLM 读取并作为知识库进行检索。

📌 支持此插件的的 LLM 工具

只要是支持 RAG 方案的工具均可以使用此插件，以下是简悦列举的一些典型工具：（每个链接都有详细教程说明）

📕 Google NotebookLM

📗 腾讯 IMA

📘 Cherry Studio

🔗 关联

阅读助手 4.0 版

🔎 引申

点击 #OpenAI 查看更多

#简悦2_2_0 #简悦工作流 #简悦插件 #OpenAI