一、文本的RAG
文本RAG的核心是通过embedding model ，将文本chunks的语义进行向量化，并存储至向量数据库。
在用户实际进行检索的时候，将问题也同样进行向量化，去到向量空间内进行比对，获取最相似的几段chunk。
最终将(prompt + 相关的chunks + 问题)一起给发LLM，输出结果。
二、图片的RAG
通过多模态的embedding model将图片的含义语义化至向量空间，并存储至向量数据库。
在用户实际进行检索的时候，将问题也同样进行向量化，去到向量空间内进行比对，获取相似度最高的图片。
图片除了语义信息，还包含EXIF原数据，例如拍摄的时间、地点（经纬度）、海拔等信息。可以一起存储至向量数据库。
三、搜索的RAG
搜索的RAG本质上是调用搜索引擎获取最新的数据，其差异无非就是
有没有进行二次的处理、结构化，方便LLM处理。如 Tavily
还是就简单粗暴的将主页的内容返回。如 duckduckgo的三方库
下边我们来看具体的代码实现。