使用 Amazon Nova 构建 RAG 系统
检索增强生成（RAG）可在生成回复之前引用训练数据来源之外的权威知识库，从而优化大型语言模型（LLM）的输出。这种方法有助于为模型提供最新信息，并以特定领域或专有数据为依据。这还提供了一个可控的信息来源，您可以使用该信息来源来设置对特定内容的访问控制，并对回复中的问题进行故障排除。
RAG 的工作原理是通过检索器将生成器（通常是 LLM）连接到内容数据库（例如知识库）。检索器负责查找相关信息。在大多数企业应用程序中，内容数据库是向量存储，检索器是嵌入模型，生成器是 LLM。有关更多信息，请参阅检索增强生成
RAG 系统有多个组件。本指南重点介绍如何在任何 RAG 系统中使用 Amazon Nova 作为 LLM。
您可以在文本 RAG 系统中使用 Amazon Nova 模型作为 LLM。若借助 Amazon Nova 模型，您可以灵活地使用 Amazon Bedrock 知识库构建 RAG 系统或构建自己的 RAG 系统。您也可以将知识库与 Amazon Bedrock 代理中的座席关联，以便为座席添加 RAG 功能。有关更多信息，请参阅 Automate tasks in your application using conversational agents。
