就这样吧：
你绝对不可能在一百万年里，甚至更别提建立自己的邮件服务器——更别提建立自己的大型语言模型了，或者在大多数情况下的自己LLM。
你吗？
可是，我看到这么多公司都在努力打造自己的RAG（检索和生成）流程。
开发人员展示他们基于Langchain的RAG管道——却不知道他们在生产中会遇到巨大的挑战。
真的——我在波士顿的一个会议上遇到了一家初创公司，他们真的使用Langchain驱动的RAG流程发布了他们的MVP，然而几天之后，他们却坐在一起讨论从技术栈中移除Langchain。
真是太糟糕了——他们没有把精力放在市场契合度或其他能推动业务发展的因素上，而是重新构建技术栈——真是浪费了开发者的精力——他们好像在自己建造大型语言模型，而不是使用OpenAI的API。
这里有个小建议：RAG即服务。
让别人来做繁重的工作，等它上线后，再进行维护和升级。
我可不是在说笑——我们不得不花40,000工时来构建这样的RAG即服务，这背后是有原因的。
我在谈论像“RAG”这样的功能，比如自动与源内容保持同步——这样当你的知识更新时，你的AI也会随之更新——你会在你的RAG系统中加入这个功能吗？
（侧注：这实现起来简直是噩梦——试着让你自己的 Google Drive 和一个 RAG 流程保持同步，你就能体会了！）
为为什么构建RAG系统有挑战性让我讲清楚一点：RAG管道的构建已经变得非常复杂。
你不再只是写代码了，你现在正应对海量数据整合、云端架构以及各种大语言模型集成的挑战。
加入诸如准确性、可审计性、错误生成和可解释性这些新问题。
例如：试着向你的老板或客户解释为什么AI会那样做——然后在RAG整个流程中调试那个单一查询。
Langchain 不适合用于生产环境。原因在这里 …从幻觉到缺少引用和来源。从数据摄入问题到查询相关性不足。从……medium.com这篇文章链接到原文：这篇文章
问题是：传统的开发方式根本跟不上业务需求。
随着 OpenAI 让用户和企业期望高涨，努力跟上客户需求（或者当你老板进来问“嘿，你的 RAG 管道能不能做 X 呀？”）
有更好选项吗？想想看：你已经在广泛使用OpenAI的大模型API——为什么？这是因为OpenAI解决了所有关于准确性和托管大模型的问题。
最好的部分是：他们每个月都在不断改进。
为什么？因为他们就是这样做的。
同样，RAG即服务的提供商日复一日地改进RAG流程——而这每天都在为你带来好处。
构建自己RAG数据管道时遇到的问题让我给你展示一下，如果你自己搭建RAG管道的话会遇到什么（相信我，这还只是问题的一半）
图片来源: datasciencedojo.com
数据访问和检索不高效问题是：
你的团队正在虚掷大量时间在搭建数据管道上。
并保持它们同步。
而最糟糕的部分是，有些集成简直离谱。
假如你的公司需要与 Google Drive 实现完全自动同步的集成——这可能需要 3 到 6 个月的时间来获得 Google 的批准。然后就是这有趣的部分，实际让自动同步功能起作用。
随着规模增加而带来的复杂性但这还不止这些：
随着项目的扩大，数据管理需求也会急剧增加。
传统系统在压力下难以承受。
整合新的数据来源变得非常棘手。
当你以为你的RAG管线只需处理文档时，你还需要处理其他内容，例如网站、例如Zendesk这样的支持网站，或是YouTube这样的频道。
让RAG保持最新信息还有一个挑战等着你
你的RAG聊天机器人程序在数据被获取的那一瞬间就开始落伍了。
想想看，如果你网站上的定价页面改变，你的RAG管道流程会立即更新吗？
手动更新既耗时又易错。
AI 实施指南：构建还是购买如果您和世界上许多其他公司一样面临同样的问题，是否要“构建或购买”AI 解决方案让您左右为难……结果？RAG 检索与生成获取了过时的信息并犯了代价高昂的错误。这是导致误报的一个关键原因。
RAG 服务简介 “即服务”是什么意思？您会得到以下内容：
无需复杂的基础设施，即可快速访问强大的RAG能力。
只需几分钟即可快速部署，而不是几个月。
最好的部分呢？由专家帮你搞定一切。
比如，我碰到过一位Hubspot早期的员工。在Hubspot早期，客户会说：“嗨，我自己就能做CRM。我为什么要买Hubspot？”
他们就会回答说：“当然可以。但请记住：我们每天从早到晚都在这样做，并且每时每刻都在改进我们的CRM系统，因为我们每天都在为成千上万的客户提供服务。”——事实证明，这句话真是太准确了，因为现在我们从Hubspot在其CRM平台上投入的数百万工时中受益。
当你自己搭建了RAG之后，你是否每天都在维护和升级它，持续20年？还是你会看起来就像是那个维护自己20年前安装的邮件服务器或CRM系统的人？（哇哦！一个古老的邮件服务器软件，叫做Postfix！）
RAG作为服务的核心特性咱们来看看功能
与您的数据源无缝地集成——让别人来处理这些数据集成，比如这样的 Sharepoint、Wordpress、Google Drive 等等。
AI 生成的幻觉：别担心——这个问题其实已经被解决了——下面是如何解决的（附实例！）从大量数据和案例中学习——通过检索增强生成来控制 AI 幻觉的方法…处理关键业务问题，比如准确性、错误或误报以及安全性。
随着您的数据增长，我们的扩展性也随之提升。想想当您的RAG（检索和生成）需要处理100GB（或4TB）的数据时会发生什么。（这可不是在开玩笑——我们最近真的收到了一个客户的要求，需要从Sharepoint导入4TB的数据。）
这一切简单易用的API，就像操作OpenAI SDK那样，一样简单。
或者如果你更喜欢的话：一个无需编码的系统，这样你的非技术人员也能轻松创建和部署RAG聊天机器人。
选择合适的供应商以下是你需要注意的：
RAG有实证记录的成功案例，寻找真实成果的案例。
我们采用了诸如SOC-2 Type 2这样的强大安全措施。安全是我们不容妥协的基本原则。
全面的L2支持和新手引导（L2指第二层）。
特别是当RAG用于商业用途时，准确性及反幻觉的基准尤为重要。
RAG的未来趋势
图片来自 : customgpt.ai。
未来令人兴奋！
能够阅读包含图像和表格的复杂图文文档。想想医学期刊文章或技术文档（PDF格式）。
在准确性和防止错误信息方面取得了巨大进步，并增加了诸如内嵌引文等增强信任的因素。
语音RAG功能——只需拨打一个电话号码或用你的智能手机与知识交流，就像ChatGPT的高级语音模式一样。
能理解复杂的图形数据。
RAG即服务的行业影响影响会非常大，甚至是毁灭性的，
更快的开发速度。
减少了错误和不一致的地方
这将通过改进效率的提升带来显著的成本节约。
底线 ("# Bottom Line")为了避免你的开发团队浪费数千个小时的努力，让别人来负责繁重的工作，让你紧跟最新的RAG发展。
RAG即服务就是那个解决方案。
你有没有尝试在你的开发流程中引入RAG？在下面留言中分享你的经验，我很期待。
说白了 🚀感谢你加入_简明英语_的社区！在你离开前，还有件事想对你说：
随时随地看视频
