从 RAG 到结构：在 GenAIIC 构建真实 RAG 的经验教训 - 第 2 部分

在本系列的第 1 部分中，我们定义了检索增强生成 (RAG) 框架，以使用纯文本知识库增强大型语言模型 (LLM)。我们根据客户用例的实际经验，提供了实用技巧，说明如何改进纯文本 RAG 解决方案，从优化检索器到缓解和检测幻觉。

第 1 部分

这篇文章重点介绍如何在异构数据格式上执行 RAG。我们首先介绍路由器，以及它们如何帮助管理不同的数据源。然后，我们给出如何处理表格数据的提示，并以多模式 RAG 结束，特别关注处理文本和图像数据的解决方案。

具有异构数据格式的 RAG 用例概述

在第一波纯文本 RAG 之后，我们看到越来越多的客户希望使用各种数据进行问答。这里的挑战是检索相关数据源以回答问题并正确从该数据源中提取信息。我们处理过的用例包括：

为现场工程师提供技术援助 - 我们建立了一个系统，汇总有关公司特定产品和现场专业知识的信息。这个集中式系统整合了各种数据源，包括详细报告、常见问题解答和技术文档。该系统将结构化数据（例如包含产品属性和规格的表格）与提供深入产品描述和使用指南的非结构化文本文档集成在一起。聊天机器人使现场工程师能够快速访问相关信息，更有效地解决问题，并在整个组织内共享知识。

为现场工程师提供技术援助 石油和天然气数据分析 财务数据分析 工业维护 电子商务产品搜索

使用路由器处理异构数据源

Amazon Bedrock

我们使用一个相关示例：

说明 Bedrock Converse API 本文档 HumanEval Llama Index LangChain Llama Index 。 .