Opsamling

Retrieval Augmented Generation forbinder din database med kapaciteterne i store sprogmodeller. I stedet for at stole på en models træningsdata, leverer du aktuel, relevant information fra dine egne tabeller.

Hele RAG-mønsteret kører i T-SQL. Din database orkestrerer flowet: søgning, format, prompt, kald, parse. Du kan tilføje AI-funktioner til eksisterende applikationer ved at ændre lagrede procedurer uden at omstrukturere din applikationsstak.

I dette modul har du lært, hvordan du:

• Identificer RAG-anvendelsestilfælde: Genkend scenarier, hvor forankring af Large Language Model (LLM)-svar i databaseindhold forbedrer nøjagtighed og relevans
• Forbered kontekst fra SQL: Brug FOR JSON til at konvertere forespørgselsresultater til tekst, som LLM'er effektivt kan behandle
• Konstruer udvidede prompts: Byg anmodningspayloads, der kombinerer systeminstruktioner, hentet kontekst og brugerspørgsmål
• Udfør RAG-pipelinen: Kald Azure OpenAI-endpoints ved hjælp af sp_invoke_external_rest_endpoint og parse svarene

Lær mere

• sp_invoke_external_rest_endpoint (Transact-SQL)
• Intelligente applikationer og AI
• Formater forespørgselsresultater som JSON med FOR JSON
• Intelligente applikationer og AI FAQ