主要观点：RAG 即检索增强生成，它结合了检索和生成两个方面，能为生成示例提供上下文。通过实例说明，标准生成式 AI 提供提示后生成响应，而 RAG 可从各种源检索信息并基于此生成响应，如在备份客户数据库问题中，可从 SharePoint 检索信息并生成相关策略。
关键信息：

• 企业可通过实施 RAG 获得巨大收益，能生成准确相关内容并保持品牌创新前沿。
• 某公司有存储大量信息的 SharePoint，但团队难查找，遗留搜索常无相关结果，正构建 RAG GenAI 聊天机器人帮助团队快速解决问题。
• 构建该解决方案使用 AWS 管理服务，如 Amazon Bedrock 提供 GenAI 功能，S3 向量存储 RAG 数据，向量数据库以向量形式存储数据，不同于传统关系数据库，S3 向量高效管理大规模高维数据且与其他服务集成良好，Foundation 模型是 GenAI 应用的支柱，Amazon Bedrock 简化 GenAI 应用构建和部署过程。
  重要细节：
• 构建解决方案时，先用 Bedrock Knowledge Base 存储 SharePoint 中的数据，可内部集成 S3 向量，也有流行数据源的预构建连接器，如选择 Titan Text Embeddings 模型，将数据处理成 1024 维向量存储在 S3 向量中，通过 Lambda 函数结合 API 网关接受用户提示，Lambda 调用 Bedrock 应用将提示转换为向量，在知识库中搜索匹配，增强提示后由 Bedrock 生成响应。