迄今为止，我们使用的大语言模型 (LLM)都依赖于其内部预训练 (pre-training)知识运行。这种方式有一个明显的局限：模型无法得知其训练截止日期之后生成的数据，也无法获取私有或专业信息。本章将介绍一种方法，通过将大语言模型连接到外部数据源来解决这个问题。

这种方法称为检索增强生成 (RAG)。其基本思路是首先从外部知识库中获取相关文档，然后将这些文档作为生成回复的上下文 (context)提供给大语言模型。这使得模型输出的内容基于事实、时效性和具体信息。

在本章中，我们将逐步构建一个RAG系统。您将学习如何：

• 加载文档： 使用LangChain的DocumentLoaders从PDF和文本文件等多种文件格式中获取数据。
• 处理文本： 使用TextSplitters将大型文档分割成更小、易于管理的部分。
• 创建嵌入 (embedding)向量 (vector)： 将文本片段转换为数值向量，从而实现语义比较。
• 存储与检索： 使用VectorStore对这些嵌入向量进行索引，以便进行高效的相似性搜索，其中相关性由查询向量 $v_q$ 与文档向量 $v_d$ 之间的距离来确定。
• 构建问答链： 将这些部分与检索器和大语言模型组合起来，构建一个能够处理您自己的数据的完整问答应用程序。