鹤兮AI @yyu78966 - Twitter Profile

Day 5｜RAG：让 AI 拥有“专属知识” 今天开始真正理解 RAG。系统的找了一套视频教程学习了，而且还跟AI对话很多论，他问我答不断巩固。以前只知道 RAG = 检索增强生成。但今天才慢慢明白，它真正解决的问题是：大模型很聪明，但它不一定知道你手里的资料。比如公司的内部制度、产品文档、个人笔记、行业资料，这些东西模型本身可能并不知道。所以 RAG 做的事情，可以简单理解成：先找资料，再让 AI 根据资料回答。今天我第一次把整个流程拆开：用户提问 ↓ 问题理解 ↓ Embedding ↓ 检索相关内容 ↓ 组合上下文 ↓ LLM 生成回答 ↓ 返回答案和来源真正让我印象比较深的，是我发现： RAG 并不是“接一个知识库”这么简单。知识怎么切分？怎么检索？检索到的是不是正确资料？资料是不是最新版本？给模型多少上下文？答案能不能引用来源？这些其实全部会影响最终的产品体验。也就是说，AI 产品经理不能只问： “这个功能能不能接 AI？” 还要开始问： “AI 需要什么知识？” “这些知识从哪里来？” “什么时候需要检索？” “如果检索错了怎么办？” “用户怎么知道答案来自哪里？” 今天第一次感觉，前几天学的 LLM、Embedding、Prompt、Agent，开始慢慢连起来了。以前我是在学一个个名词。现在开始尝试把它们放进一个真正的产品里。这可能才是学习 AI 产品经理真正有意思的地方。 Day 5，继续。一步一步，把“知道 AI”变成“能够设计 AI 产品”。 #AI产品经理 #RAG #AI学习 #大模型 #产品经理 #转行AI #个人成长 #Day5 #从0到1

yyu78966's tweet photo. Day 5｜RAG：让 AI 拥有“专属知识”

今天开始真正理解 RAG。系统的找了一套视频教程学习了，而且还跟AI对话很多论，他问我答不断巩固。

以前只知道 RAG = 检索增强生成。

但今天才慢慢明白，它真正解决的问题是：

大模型很聪明，但它不一定知道你手里的资料。

比如公司的内部制度、产品文档、个人笔记、行业资料，这些东西模型本身可能并不知道。

所以 RAG 做的事情，可以简单理解成：

先找资料，再让 AI 根据资料回答。

今天我第一次把整个流程拆开：

用户提问
↓
问题理解
↓
Embedding
↓
检索相关内容
↓
组合上下文
↓
LLM 生成回答
↓
返回答案和来源

真正让我印象比较深的，是我发现：

RAG 并不是“接一个知识库”这么简单。

知识怎么切分？

怎么检索？

检索到的是不是正确资料？

资料是不是最新版本？

给模型多少上下文？

答案能不能引用来源？

这些其实全部会影响最终的产品体验。

也就是说，AI 产品经理不能只问：

“这个功能能不能接 AI？”

还要开始问：

“AI 需要什么知识？”
“这些知识从哪里来？”
“什么时候需要检索？”
“如果检索错了怎么办？”
“用户怎么知道答案来自哪里？”

今天第一次感觉，前几天学的 LLM、Embedding、Prompt、Agent，开始慢慢连起来了。

以前我是在学一个个名词。

现在开始尝试把它们放进一个真正的产品里。

这可能才是学习 AI 产品经理真正有意思的地方。

Day 5，继续。

一步一步，把“知道 AI”变成“能够设计 AI 产品”。

#AI产品经理 #RAG #AI学习 #大模型 #产品经理 #转行AI #个人成长 #Day5 #从0到1

0

9

鹤兮AI

@yyu78966

Last Seen Users on Sotwe

Trends for you

Most Popular Users