专题：RAG 与向量数据库

AIGC 时代，大模型与企业本地数据相结合的典型实现方式是 RAG 方案（本地知识库 + 向量数据库 + 大模型），而 RAG 实际落地中还存在诸多问题。本次分享将结合落地案例实践经验，针对企业实际、复杂的数据现状，提供全新的解决方式——基于多模智能引擎的大模型知识库方案。对企业多源、异构数据进行解析，智能抽取数据之间的关系并提供低代码方式进行数据探查；将非结构化数据解析以及向量化。在多模态智能引擎中以图的形式存储确定的知识，以向量的形式存储非结构化的知识，以图和向量融合的方式构建大语言模型驱动的企业知识中台。同时，利用低代码技术快速构建包括智能对话、摘要、标签、生成、text2data 在内的各种知识应用，为企业大模型用落地提供有效的技术支撑。

演讲提纲：

演讲提纲：

1. 背景与趋势

• 大模型与企业本地数据融合的典型方式——RAG 最佳实践与现存问题

2.多模态数据解析

• 非结构化文档关系自动抽取构建——多层级关系抽取
• 结构化数据自动关联与探查

3. 图和向量赋能大模型应用

• 利用图结合 RAG 提供智能应用构建能力

4. 知识服务智能构建

• 基于低代码的知识服务构建

5. 落地应用案例分享

• 实际客户落地经验分享

6. 总结与展望

听众收益：

• 当前 RAG 的最佳实践以及典型问题
• 基于图和向量融合的方式构建智能知识库最佳实践
• 典型的知识服务以及落地实践经验

方案痛点：

• 从实践角度出发，我们发现在落地过程中需要针对性结合具体业务场景进行图的构建
• 图和大模型的融合方案需要基于多模态数据构建图。如果客户场景是基于非结构化数据构建细粒度的图谱，则需要一定成本，当前情况下无法实现完全自动化图谱的构建
• 在进行方案落地时，首先需要让客户充分了解和熟悉新技术方案，才能更好地推进落地与应用

RAG 是 LLM 服务 B 端的最广泛场景，也是标准使用范式。RAG 系统技术栈开源软件很多，可以很快地利用它们搭建起一个 demo，但是真正落实到 B 端服务，面临的挑战却很大，实施周期也很长。 本分享根据 RAG 落地实践，给出解决这些问题的几个要点，并根据这些要点，推导出搭配 RAG 的数据库，应该具备什么样的能力。最后，本分享给出围绕这些 RAG 痛点设计的新一代开源 AI 原生数据库 Infinity 的系统架构和实现，以及我们的端到端 RAG 解决方案框架设计细节。

演讲提纲：

1. 主流 RAG 的架构设计

2. RAG 实践的痛点总结

3. 如何解决 RAG 面临的问题

4. 开源数据库 Infinity 的系统架构

5. 开源数据库 Infinity 跟各类数据库的对比

6. 展望 RAG 未来的发展

听众收益：

• 了解 InfiniFlow 在各行业实施 RAG 的一手实践经验
• 了解开源 AI 原生数据库 Infinity 的实现细节
• 了解 RAG 技术的能力边界和未来展望

方案痛点：

• AI 原生数据库只是解决 RAG 落地挑战的必备手段之一，除数据库之外，还需要其他数据库之外的措施，才能缓解 RAG 的痛点。另一方面，Infinity 作为一款全新开发的开源数据库，在产品成熟度还有差距，分布式架构还没有准备好，因此需要一定的时间来演进。

大模型已经狂奔了一年多的时间，大家都在探索如何将自己的业务与大模型进行深度结合，而新技术总会面临落地难的问题，在我们内部研发时，我们创新性地设计了多智能体 RAG 方案，并取得了良好效果。在本次分享中，我将向大家介绍 RAG 落地过程中的现状、问题，以及在我们团队内部的最佳实践，希望能够给正在做或计划做 RAG 落地的团队一些启发。

内容大纲：

1. RAG 落地过程中的现状和问题

2. 技术重点

   2.1 信息提取

   2.2 信息检索

   2.3 RAG 评估

3. 爱可生智能化数据库运维实践

   3.1 业务背景

   3.2 实现方案

   3.3 方案效果

4. 总结与展望

你将获得：

• 了解当前 RAG 落地现状
• 了解数据库垂直领域的 RAG 落地实践
• 了解 RAG 实现业务改造的基本策略

方案痛点：

• 复杂的多源数据如何进行有效提取与整合
• Agent 如何有效地整合到业务流程中