RAG检索增强生成

一、When & Why & Where & Who

1. LLM模型的几个缺点

1）幻觉：信息过时快（知识更新速度），2）查知识效率低，3）缺乏专业领域洞察

解决方案：检索增强生成技术（Retrieval-Augmented Generation，RAG）

2. RAG概念源自何处？

（2023.12）一篇同济大学和复旦大学的综述论文：Retrieval-Augmented Generation for Large Language Models: A Survey

（论文地址见https://arxiv.org/pdf/2312.10997）

二、What & How

1. RAG案例

with RAG的情况，会通过索引检索相关文档后，将检索结果、提示词、问题一起给LLM处理生成回答。

2. 技术范式（分类）

三个范式之间是继承与发展的关系。

Advanced RAG 是 Modular RAG 的一种特例形式，而 Naive RAG 则是 Advanced RAG 的一种特例。

3. 核心组件

检索器、生成器、增强方法

4. 生态系统

5. 效果评估

三个质量评分：上下文相关性、答案忠实性和答案相关性

四个关键能力：噪声鲁棒性、拒答能力、信息整合和反事实鲁棒性

三、Comparison

1. 技术对比

2. RAG与微调对比