课程简介

当下的 RAG 架构中，以原生 RAG 居多。虽然RAG 开创性地解决了大模型的外部上下文及幻觉问题，但仍然有一些问题需要引入其他步骤或方案进行解决。

TiDB 的 MySQL 生态系统中，过往的 MySQL 开发者只能使用外部向量数据库进行 AI 应用开发。现通过应用 TiDB Serverless，无需进行数据同步和多数据库维护，且存储量不受限制，列式存储进一步提升了性能，显著改善了开发体验。TiDB Serverless 引入了 Vector 类型，使得在 MySQL 系数据库内进行向量搜索成为可能。为了增强社区问答的效率并节省人力，应用 tidb.ai 来提高社区活性和转化率。tidb.ai 这个基于 TiDB 文档生成答案的 AI 问答机器人，可帮助企业提升回答的相关性，可以在开发过程中探索多种实现方式。

本次分享将从 tidb.ai 服务入手。从原始的原生 RAG 讲到Rerank 等提升性能的方法，以及当前的技术解决方案 Graph RAG。最后，以实现方案向下挖掘至数据库架构层面，探讨各类不同的数据架构的优缺点，帮助企业对数据选型与技术实施提供巨大的参考依据。

课程收益

1、帮助学员深入了解GraphRAG的优势与应用

2、帮助学员掌握Rerank与知识图谱在RAG中的应用

3、帮助学员了解TiDB在RAG与数据架构中的创新

4、帮助学员掌握在不同场景下选择最合适的RAG架构和数据架构的能力

受众人群

企业管理者，IT行业从业者及其他对RAG感兴趣的人员

课程周期

3H

课程大纲

1、TiDB.ai 的技术优势

2、简单 RAG 的实现方案。

3、为什么需要 Rerank？

1）解释 Rerank 的概念和在 RAG 系统中的角色。

2）讨论 Rerank 如何提高检索结果的相关性和准确性。

4、知识图谱助力 RAG

1）阐述知识图谱如何通过提供结构化知识来增强 RAG 系统的理解和推理能力。

2）实际案例：展示知识图谱在 RAG 系统中的应用实例，以及一个可以直接运行的 Demo

5、Vector Type within TiDB > TiDB + Vector Database

1）讨论在 TiDB 内部支持向量类型的优势，相对于将 TiDB 与独立的向量数据库结合使用。

2）展示内置向量支持如何简化架构复杂性。

6、All in One 数据库帮助开发者减负

1）讲解 All in One 数据库如何通过统一的数据存储和处理平台，简化开发者的工作流程。

2）TiDB Serverless甚至可以降低资金方面的负担。

7、对比不同RAG 架构以及数据架构的主要优劣势

8、QA