探索 Weaviate 如何驅動 RAG 應用！你會親手從頭打造一個 RAG 工作流程，熟悉檢索—增強—生成各步驟。有了這個理解，你就能在第 2 章運用 Weaviate 建立更穩健且最佳化的 RAG 工作流程。

從 RAG 入門到進階！

使用 LLM 進行文字生成

建立文字嵌入向量

比較文字嵌入向量

把「R」、「A」、「G」串起來

Weaviate 下的 RAG 基礎

雖然手寫 RAG 工作流程很有趣，但你可能錯過了像 Weaviate 這類工具所提供的最佳化。在本章中，你將全部透過 Weaviate 完成嵌入、儲存、檢索與回應生成！

使用 Weaviate 的 RAG 工作流程

PDF 文字擷取與分塊

開始使用 Weaviate

Weaviate 中的查詢

自上而下完成 RAG

使用 Weaviate 打造端到端 RAG

在上一章，你使用 PDF 文件的文字內容來建立文件區塊，但忽略了影像內容。這會造成大量可能對檢索與生成有用的語境流失！在本章中，你將使用 ColPali 多模態模型，對文字與影像進行嵌入與生成，為模型回應提供更完整的語境。

文字與影像的 RAG

為多模態 RAG 做好準備

使用 Weaviate 的多模態 RAG

恭喜！

多模態 RAG

學習如何從簡單的 LLM 呼叫，進階到使用 Weaviate 的多模態 RAG 工作流程！你會學到如何處理 PDF 文件，擷取段落、標題與表格等關鍵文字內容。接著，將這些資料嵌入並儲存到 Weaviate 以供檢索。最後，你會設計有效的檢索提示，傳遞給生成式模型。作為收尾，你會把 PDF 視為影像處理，彌補圖像與圖表造成的語境流失。你將使用 ColPali 多模態嵌入模型，搭配 OpenAI 的多模態生成模型，開始與影像與文件進行對話！

Working with the OpenAI API

使用Weaviate掌握RAG！嵌入文本和圖像以進行檢索，並嘗試向量、BM25和混合搜索。

精通 Weaviate 的 RAG 技能！學會嵌入文字與圖片以進行檢索，並實作向量、BM25 及混合式搜尋。

把「R」、「A」、「G」串起來

使用 Weaviate 打造端到端 RAG

練習說明

動手互動練習