RAG搭建本地AI知識庫，在使用過程中遇到的三大痛點，以及相應的進階方案。

1. RAG知識庫的三大痛點

--?

內容理解不足：

AI難以全面理解導入資料的內容，比如在向量編碼時候，生硬的截斷等導致分析結果不理想。

eg: 知識庫分割器造成截斷。

信息提取不準確：

AI在提取關鍵信息時可能存在偏差，RAG靠輸入的檢索字符的向量編碼，和知識庫中的向量編碼對比，影響最終結論的準確性。

綜合分析能力有限：

AI無法像人類一樣進行復雜的邏輯推理和綜合分析，導致結論缺乏深度。

比如：一個excel文檔，有300條數據，因為rag切分之后，無法求出整個文檔的最大或最小值

2. 進階方案

引入重排序模型：

通過優化內容的排序邏輯，提高信息提取的準確性。

使用數據庫MCP Server：

利用MCP（Model Context Protocol）技術，增強AI知識庫的存儲和處理能力。

比如：使用postgre mcp server，連接數據庫，進行數據的分析。

借助超大上下文模型：

通過擴展模型的上下文能力，提升AI對復雜內容的理解與分析能力。

現在大模型的發展，prompt 長度越來越長，可以直接把整個文檔或者資料庫，投給大模型。

5. 實用工具和資源

CherryStudio下載：用戶可以通過Cherry-ai.com下載CherryStudio。
硅基流動：訪問硅基流動獲取更多模型資源。
PostGreSQL MCP：通過GitHub上的PostGreSQL MCP了解更多MCP相關技術。