Salesforce on Alibaba Cloud 的AI产品能力已经进一步迭代：
由CXG AI Connector 提供百炼大模型能力，CXG RAG 在 Salesforce Prompt Builder 提示生成器中为提示词补充准确、及时且相关的非结构化知识数据，从而帮助我们管理准确的企业内部知识，提升大语言模型生成结果的业务专业度和相关性。
CXG RAG 的产品优势
洞察非结构化数据
仅需点击操作即可轻松从Salesforce Data Library 中提取关键信息
在 Prompts 中应用最新且相关的业务信息
结合 Prompt Builder, 您可以实时从知识库中检索关联信息，结合上下文生成 Prompt，从而显著提升 LLM 的响应准确
赋能员工的现有工作流
业务人员可通过 RAG 和 AI Actions，向客户提供更相关、更个性化的回复，显著提升客户满意度和忠诚度
CXG RAG 的工作流程
RAG（Retrieval Augmented Generation，检索增强生成）是一种结合了信息检索和文本生成的技术，其效果由三个核心阶段决定：
1.建立索引：在Data Library 中管理我们的企业知识，对文档内容进行解析、切片与向量化。
文档解析：这里需要清洗和提取原始数据，将 PDF、Docx等不同格式的文件解析为纯文本数据；然后将文本数据分割成更小的片段（chunk）
文本向量化：将文档中的文本内容转化为数值向量，此过程叫做embedding，并将原始语料块和嵌入向量以键值对形式存储到向量数据库中，以便进行后续快速且频繁的搜索。这就是建立索引的过程。
2.检索召回：根据用户查询（Prompt），从向量存储中匹配并召回相关的知识片段。
随着用户输入请求，RAG 需要计算出用户的问题与向量数据库中的文档块之间的相似度，选择相似度最高的K个文档块（K值可以自己设置，最大值为20）作为回答当前问题的知识。在这个过程中需要用到2个实时模型：
实时请求Embedding：在用户发起请求时，实时将用户查询 (Query) 通过模型进行向量化，用于后续的文档向量检索。
实时请求ReRank: ReRank模型用于语义检索场景，可以给定查询 (Query) 和一系列候选文本(Documents)，会根据与查询的语义相关性从高到低对候选文本进行排序，从而简单、有效地提升文本检索的效果。
3.生成答案：知识与问题会合并到提示词模板中提交给大模型，大模型给出回复。这就是检索生成的过程。
产品能力概览
无缝集成Prompt Builder ：将Prompt Builder 与CXG RAG 产品能力结合起来，让AI更“理解”我们的业务知识。
和工作流程深度融合：在 Flow 中直接调用 CXG AI 提升效率，同时利用 RAG 确保流程服务的业务精准度。
灵活调整CXG RAG效果：通过编辑知识库内容、调整 Top K(最大值20) 及启用重排序(ReRank)模型，可灵活优化 CXG RAG 效果
安全保障
物理数据隔离
RAG 服务支持组织级数据隔离，从而降低数据泄露风险。
端到端加密
RAG 服务全程加密，静态数据使用 AES256 加密，传输中的数据通过 TLS 1.2 协议进行保护。
最小权限原则
Salesforce 对用户身份进行强验证并进行相关访问控制。基于Salesforce 共享设置，RAG 服务支持按知识库层级设置权限控制。
RAG 的效果保障
采用“智能切分”策略——基于语义相关性进行切分，有助于保留语义完整性。
选择适合您知识库的文本切片长度并非易事，因为这必须考虑多种因素：
文件的类型：例如，对于专业类文献，增加长度通常有助于保留更多上下文信息；而对于社交类帖子，缩短长度则能更准确地捕捉语义。
提示词的复杂度：一般来说，如果用户的提示词较为复杂且具体，则可能需要增加长度；反之，缩短长度会更为合适。
当前您在创建知识库时，我们为您默认了智能切分作为切分方式，应用这一策略时，知识库会：
首先利用系统内置的分句标识符将文件划分为若干段落。
基于划分的段落，根据语义相关性自适应地选择切片点进行切分（语义切分），而非根据固定长度进行切分。
在上述过程中，知识库将努力确保文件各部分的语义完整性，尽量避免不必要的划分和切分。此策略将应用于该知识库中的所有文件（包括后续导入的文件）。
优化提示词提升RAG辅助效果
如果返回的结果没有按照要求，或者不够全面，您可以：优化提示词模板。通过调整提示词来影响大模型的行为（例如怎样利用检索到的知识等），间接提升 RAG 的效果。
如果希望反馈不同效果的RAG结果，您可以调整参数提升RAG辅助效果：
调整Top K（召回片段数）：召回片段数即多路召回策略中的K值。如果文本切片数量超过K，系统最终会选取相似度分数最高的 K 个文本切片提供给大模型。也正因为此，不合适的K值也可能会导致 RAG 漏掉正确的文本切片，从而影响大模型生成完整的回答。
开启ReRank模型：可以给定查询 (Query) 和一系列候选文本(Documents)，会根据与查询的语义相关性从高到低对候选文本进行排序，从而简单、有效地提升文本检索的效果。