1. 基础概念认识

1. RPA（Robotic Process Automation）是指通过软件机器人自动执行重复、规则化的任务。它可以模拟人类的操作，如填写表单、点击按钮、提取数据等，从而提高工作效率和准确性。
2. RAG（Retrieval-Augmented Generation）是指在生成式模型中，通过检索机制从外部知识库中获取相关信息，以增强模型的生成能力。它通常用于问答系统、对话系统等场景，能够提供更准确、更丰富的回答。

2. 目的

基于RAG开发RPA助手桌面客户端，知识库录入助手使用手册，RPA开发相关的问答与指导，例如：处理助手报错，提供示例demo，插件如何安装，排查问题等。

3.RAG较纯LLM的优势

1. 上下文理解能力：RAG能够理解用户的上下文，从而提供更准确的回答。
2. 知识丰富性：RAG可以从外部知识库中获取相关信息，丰富模型的生成能力，而LLM则依赖于模型的内部知识。
3. 可扩展性：RAG可以很容易地扩展到新的知识库，以满足不断变化的需求。
4. LLM幻觉问题：RAG可以减少LLM的幻觉问题，因为它可以从外部知识库中获取相关信息，而不是依赖于模型的内部知识。

4.RAG架构

1. 数据准备：相关文档准备-文本分割-向量化存储
2. 数据检索：用户输入-向量化表示-相似度计算-文档检索
3. 大模型生成回答：检索到的文档-作为上下文-输入到大模型-生成回答

5.实践