如何使用 Azure AI 搜尋服務組建 RAG 解決方案
本教學課程系列會示範在 Azure AI 搜尋服務上建置 RAG 解決方案的模式。 其涵蓋 Azure AI 搜尋、相依性和優化內建的元件，以將相關性最大化並降低成本。
範例資料是上傳至 Azure 儲存體 PDF 集合。 內容來自 美國宇航局的地球免費電子書。
您可以在此 Python 筆記本中找到範例程式代碼，但建議您在此系列中使用文章來取得內容、深入解析，以及探索替代方法。
此系列中的練習
選擇用於內嵌和聊天的模型
設計交談式搜尋的索引
設計可載入、區塊、内嵌和擷取可搜尋內容的索引管線
使用查詢和聊天模型擷取可搜尋的內容
將相關性最大化
將儲存空間和成本降至最低
我們省略了 RAG 模式的幾個層面，以減少複雜性：
不需管理聊天記錄和內容。 聊天記錄通常會與基礎資料分開儲存和管理，這代表需要額外的步驟和程式碼。 本教學課程假設 LLM 和預設 LLM 體驗中不可部分完成的問題和解答。
沒有每位使用者對結果的使用者安全性 (我們稱之為「安全性調整」)。 如需詳細資訊和資源，請從安全性調整開始，並確定檢閱文章結尾的連結。
本系列涵蓋 RAG 解決方案開發的基本概念。 一旦您瞭解基本概念，請繼續進行 加速器 和其他 程式代碼範例 ，以提供更多抽象概念，或更適合生產環境和更複雜的工作負載。
為何要使用 RAG 的 Azure AI 搜尋服務？
聊天模型會面臨要求可接受之資料量的限制。 您應該使用 Azure AI 搜尋服務，因為傳遞至 LLM 之內容的品質可能會製造或中斷 RAG 解決方案。
為了將最高品質的輸入提供給聊天模型，Azure AI 搜尋服務會提供一個具有 AI 整合和完整相關性微調的頂級搜尋引擎。 搜尋引擎會支援向量相似性搜尋 (多個演算法)、關鍵詞搜尋、模糊搜尋、地理空間搜尋和篩選。 您可以組建包含所有這些元件的混合式查詢要求，並控制每個查詢對整體要求的貢獻量。