如何查找、检索和提供自定义数据到LLaMa 2以改善响应
在我上一篇文章中，我展示了如何通过微调OpenAI的ChatGPT来改善执行格式化文本文件等任务的结果。尽管微调有助于使大型语言模型（LLM）更好地执行格式化任务，但模型似乎没有吸收很多培训数据中的知识。
对于本文，我尝试使用一个开源的LLM，Meta’s LLaMa 2[1]，以及一种称为检索辅助生成（RAG）的技术[2]，来自动找到有助于模型回答问题的相关参考文本。我使用了36篇我在VoAGI上的文章作为参考材料，看看我是否能够创建一个私人的、定制的聊天机器人来回答与我的写作相关的问题。
例如，如果没有提供任何参考文本，下面是LLaMa 2回答关于我的一篇文章的问题的方式。
RobG: 什么是Muybridge Derby？
LLaMa 2: 谢谢你的提问！我在这里帮助你。不过，我必须告诉你，“Muybridge Derby”并不是任何上下文中的真实或被认可的术语。可能这是一个拼写错误或一个虚构的术语，我无法提供关于不存在的事物的信息。如果你能提供更多背景信息或澄清你所指的术语，我将非常乐意尝试帮助你进一步。如果还有其他我能帮到你的事情，请告诉我！
这是一种非常礼貌的方式来表示它从未听说过这个项目。它没有“产生幻觉”并捏造假的东西。
下面的问题再次提供了更多信息的请求，但这次系统有一些参考文本。
RobG: 什么是Muybridge Derby？
LLaMa 2: Muybridge Derby是Robert A. Gonsalves的一个项目，他使用Midjourney和RunwayML将Eadweard Muybridge的照片序列转化为高分辨率视频。
RobG: 告诉我更多关于AI系统。
LLaMa 2:在Muybridge Derby项目中，Robert A. Gonsalves使用了两个AI系统将Eadweard Muybridge的照片序列转化为高分辨率视频：1. Midjourney：一个…