# 使用 Amazon Nova 构建 RAG 系统
<a name="rag-systems"></a>

**注意**  
本文档适用于 Amazon Nova 版本 1。Amazon Nova 2 现已推出新的模型和增强功能。新功能和文档更新已发布在《Amazon Nova 2 用户指南》中。有关信息，请访问 [Amazon Nova 2 的新功能](https://docs.aws.amazon.com/nova/latest/nova2-userguide/whats-new.html)。

检索增强生成（RAG）可在生成回复之前引用训练数据来源之外的权威知识库，从而优化大型语言模型（LLM）的输出。这种方法有助于为模型提供最新信息，并以特定领域或专有数据为依据。这还提供了一个可控的信息来源，您可以使用该信息来源来设置对特定内容的访问控制，并对回复中的问题进行故障排除。

RAG 的工作原理是通过*检索器*将*生成器*（通常是 LLM）连接到内容数据库（例如知识库）。检索器负责查找相关信息。在大多数企业应用程序中，内容数据库是向量存储，检索器是嵌入模型，生成器是 LLM。有关更多信息，请参阅[检索增强生成](https://aws.amazon.com/what-is/retrieval-augmented-generation/)和 [Bedrock 知识库的运作方式](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-how-it-works.html)。

RAG 系统有多个组件。本指南重点介绍如何在任何 RAG 系统中使用 Amazon Nova 作为 LLM。

您可以在文本 RAG 系统中使用 Amazon Nova 模型作为 LLM。若借助 Amazon Nova 模型，您可以灵活地使用 Amazon Bedrock 知识库构建 RAG 系统或构建自己的 RAG 系统。您也可以将知识库与 Amazon Bedrock 代理中的座席关联，以便为座席添加 RAG 功能。有关更多信息，请参阅 [Automate tasks in your application using conversational agents](https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html)。

**Topics**
+ [使用 Amazon Bedrock 知识库](rag-br-knowledge.md)
+ [使用 Amazon Nova 构建自定义 RAG 系统](rag-building.md)
+ [通过 Amazon Nova 使用多模态 RAG](rag-multimodal.md)