學 RAG 是假議題
除非你有在地端用LLMs model 的需求
在進入詳細討論之前，讓我們先來看看三大領頭羊 ChatGPT、Claude 和 Gemini 的 cookbook，從中可以感受到一些端倪。
領頭羊的 RAG 實踐
Gemini Cookbook
Gemini 的 cookbook 提供了多個使用 Gemini API 的示例和指南，其中也包含了兩個 RAG 相關的練習。這些練習展示了如何有效地使用 RAG 技術來增強資料檢索和生成能力。
GitHub 連結: google-gemini/cookbook
ChatGPT Cookbook
ChatGPT 的 cookbook 更是全面，尤其在資料部分（RAG）提供了大量的示例和指南。例如，在這個目錄下的相關內容：
GitHub 連結: openai/openai-cookbook/tree/main/examples/data
Claude Cookbook
Claude 的 cookbook 也不遑多讓，包含了大量的 RAG 相關練習和示例，展示了如何有效利用這些技術來提升模型的性能。
GitHub 連結: anthropics/anthropic-cookbook/tree/main/third_party
為什麼學 RAG 是假議題？
從上述主要領頭羊的 cookbook 可以看出，他們投入了大量的人力和時間來研究和優化 RAG 技術。如果我們嘗試自行開發和優化 RAG，可能需要投入大量資源和時間，最終的結果也不一定能超越這些科技巨頭。
相反，我們可以選擇另一種更為高效的策略：等待幾個月，直接將我們的資料上傳至這些平台，然後通過 API 介面來使用他們已經優化好的 RAG 技術。這樣不僅節省了大量的時間和資源，還能獲得更為優質的結果。
廣告時間
簡單用 Chrome Extension 接 Gemini API (下 Prompt) 就能實作文章摘要工具參加 Google 百萬美金挑戰賽
2024年8月4日 星期天，對於免費仔想介接唯一免費的LLMs API 之 Gemini API 的朋友，可以來捧場。
