一文读懂「RAG，Retrieval-Augmented Generation」检索增强生成

已于 2025-01-18 15:26:01 修改
阅读量1.1w 收藏 74
点赞数 36
分类专栏： AI人工智能：一文读懂「X」系列 文章标签： 人工智能
于 2024-01-20 17:17:52 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/Julialove102123/article/details/135714213
版权
RAG（检索增强生成）是机器学习和自然语言处理领域的一项创新，它结合检索和生成技术，提升模型回答复杂查询和生成任务的准确性。RAG通过检索相关知识并融入到生成过程中，减少了模型幻觉。本文详细介绍了RAG的结构、执行流程、分类、作用、挑战以及应用场景，并提供了相关资源，展示了RAG在各个行业如医疗、法律和教育等领域的潜在应用价值。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在这里插入图片描述

Retrieval-Augmented Generation（RAG）作为机器学习和自然语言处理领域的一大创新，不仅代表了技术的进步，更在实际应用中展示了其惊人的潜力。

在这里插入图片描述

RAG结合了检索（Retrieval）和生成（Generation）两大核心技术，通过这种独特的混合机制，能够在处理复杂的查询和生成任务时，提供更加准确、丰富的信息。无论是在回答复杂的问题，还是在创作引人入胜的故事，RAG都展现了其不可小觑的能力。

一 、什么是RAG？

检索增强生成（Retrieval Augmented Generation），简称 RAG，已经成为当前最火热的LLM应用方案。它是一个为大模型提供外部知识源的概念，这使它们能够生成准确且符合上下文的答案，同时能够减少模型幻觉。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
LLM应用架构之检索增强（RAG，retrieval-augmented generation）的缘起与架构介绍
强化学习曾小健
09-21 6081
原创 ullyAI工程化收录于合集#领域技术13个#LLM应用架构3个动手点关注本文是LLM应用架构系列的第一篇，将介绍LLM应用开发里最常见的一种架构模式RAG（ Retrieval Augmented Generation），它被广泛应用于知识问答，智能助手等常见LLM应用场景中。在后续文章中还将介绍该模式落地实际过程中的一些常见问题及改进思路，欢迎关注“AI工程化”，持续为大家更新。
【深度学习基础】一篇搞懂什么是RAG（检索增强内容生成）？
十二月的猫
08-15 1210
有一个名为LangChain的流行开源库，它可以创建聊天机器人，其中包括用 3 行代码对任何网站/文档进行问答。这是LangChain 文档中的一个示例理解问题根据问题内容在网站/文档中检索信息将其中和问题相关的信息输出")它输出特定于 Paul Graham 文章（greatwork）的答案：注意：如果您有兴趣，可以尝试根据 Paul Graham 的文章构建的聊天机器人。第一次运行它时感觉就像纯粹的魔法。这到底是如何工作的？答案是一个称为。
不用苦苦寻觅！这是大模型检索增强生成（RAG）最全综述！
机器学习社区
02-03 1万+
是什么：RAG 是一种通过检索外部知识库来获得额外语料，并使用 ICL（In-Context-Learning，上下文学习）来改进 LLM 生成效果的范式。为什么：LLM 受训练语料的限制，无法感知最新的内容，比如 LLM 训练后的新闻；此外，LLM 也容易产生幻觉，生成不正确的内容。如何做：当用户发起一个生成请求时，首先基于用户的 prompt 来检索相关信息，然后这些信息会被组合到 prompt 中，为生成过程提供额外的上下文，最后将组合后的 prompt 输入 LLM 生成结果。
Retrieval-Augmented Generation (RAG) 技术指南
hello.reader
12-30 1880
RAG（Retrieval-Augmented Generation），中文可译作“检索增强生成”，是指在生成式模型（如 GPT 等）的基础上，结合信息检索（Retrieval）技术，通过从外部知识库或索引中检索到更多相关信息，从而对模型的输入进行增强，最终生成更准确、更丰富的回答或内容。核心思想：在回答问题或生成内容时，不仅依赖于语言模型训练过程中的参数，还利用实时检索到的知识和上下文，以弥补大模型本身记忆能力和训练数据时效性的不足。典型流程。
什么是RAG？RAG是如何解决问题的？RAG的未来发展趋势是什么？
最新发布
程序员鑫港的博客
02-15 2664
所谓。
论文：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
qq_40212975的博客
10-16 3384
论文：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks code:https://github.com/huggingface/transformers
一文带你了解RAG(检索增强生成) | 概念理论介绍+ 代码实操
2401_85375151的博客
07-29 2853
RAG（Retrieval Augmented Generation, 检索增强生成）是一种技术框架，其核心在于当 LLM 面对解答问题或创作文本任务时，首先会在大规模文档库中搜索并筛选出与任务紧密相关的素材，继而依据这些素材精准指导后续的回答生成或文本构造过程，旨在通过此种方式提升模型输出的准确性和可靠性。RAG 技术架构图介绍：富文本 主要存储于 txt 文件中，因为排版比较整洁，所以获取方式比较简单实战技巧：【版面分析——富文本txt读取】
5分搞懂大模型 - RAG（检索、增强、生成）
2401_85327249的博客
09-01 5121
RAG（Retrieval-Augmented Generation，检索增强生成） 是一种结合了信息检索技术与语言生成模型的人工智能技术。该技术通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。RAG模型由Facebook AI Research（FAIR）团队于2020年首次提出，并迅速成为大模型应用中的热门方案。
高级检索增强生成技术(RAG)全面指南：原理、分块、编码、索引、微调、Agent、展望
人工智能讲师分享前沿技术
04-27 6437
如果我们使用多个源来生成答案，要么是由于初始查询的复杂性（我们必须执行多个子查询，然后将检索到的上下文合并到一个答案中），要么是因为我们在各种文档中找到了单个查询的相关上下文，问题是我们是否能够准确地回溯我们的来源。显然，尽管OpenAI是LLM提供商的市场领导者，但仍有许多替代方案，例如Anthropic的Claude、最近流行的较小但功能强大的模型，例如Mixtral形式的Mistral、Microsoft的Phi-2以及许多开源选项，例如Llama2、OpenLLaMA、Falcon。
一文读懂RAG（检索增强生成）
2401_85375298的博客
08-09 1773
近阶段，笔者落地了一个蛮深刻的项目，该项目通过RAG技术成功解决了一些问题。因此计划通过两篇文章跟大家分享有关RAG结合ToB Agent应用的探索与实践。本篇文章，主要关于笔者对RAG（围绕Navie RAG）的些许理解。
大模型笔记：RAG（Retrieval Augmented Generation,检索增强生成）
qq_40206371的博客
03-04 2794
将大规模语言模型(LLM)与来自外部知识源的检索相结合,以改进大模型的问答能力核心手段是利用外挂于LLM的知识数据库（通常使用向量数据库）存储未在训练数据集中出现的新数据、领域数据等。
一文读懂RAG（检索增强生成）【大模型行业应用入门系列】
fzq0625的博客
06-16 380
在当前的人工智能发展阶段，如何使LLM超越静态知识库的限制，具备持续学习和知识累积的能力，是亟待解决的重大挑战之一。未来，随着记忆增强、元学习、自动知识库构建等前沿技术的加入，RAG有望赋予语言模型真正的主动学习能力，使其能够不断吸收新知识，持续扩充和优化内部知识库，最终突破静态知识库的限制，成为具备通用智能的学习智能体。通过充分利用专业知识库的信息价值，RAG不仅显著提升了LLM输出的准确性和针对性，更重要的是为语言模型开辟了持续学习、主动获知的新途径，为其最终实现通用人工智能奠定了基础。
一文带你了解大模型的RAG(检索增强生成) | 概念理论介绍+ 代码实操（含源码）
机器学习社区
12-30 2万+
RAG的全称是Retrieval-Augmented Generation，中文翻译为检索增强生成。它是一个为大模型提供外部知识源的概念，这使它们能够生成准确且符合上下文的答案，同时能够减少模型幻觉。本文介绍了 RAG 的概念及其背后的一些理论，本文通过Python、LangChain将其实现，在此过程中使用了 OpenAI的ChatGPT接口（可以自己搭建chatGLM3）、Weaviate矢量数据库（可以自己搭建Milvus ）、OpenAI 嵌入模型实现了 RAG 管道。
RAG检索增强生成（Retrieval-augmented Generation）
u013558123的博客
02-18 1019
RAG检索增强生成（Retrieval-augmented Generation）
【RAG检索增强生成】深入探索检索增强生成（RAG）技术
寻道AI，探索AI无限可能！
06-27 2512
在人工智能的不断演进中，大语言模型（LLMs）已成为解决复杂问题的关键工具。但它们在处理需要最新信息或专业知识的任务时，受限于静态知识库，影响了内容的准确性和时效性。为了克服这一局限，检索增强生成（RAG）技术应运而生，它通过整合实时数据和外部知识库，显著提高了AI响应的质量和信息的更新速度。
一文读懂：大模型RAG（检索增强生成）
热门推荐
m0_59164304的博客
04-11 3万+
本文概述 RAG 的核心算法，并举例说明其中的一些方法。RAG融合是一个强大的功能，能够提高RAG应用的语义搜索效率。通过使用语言模型生成多个查询并对搜索结果进行重新排序，RAG融合可以呈现更丰富多样的内容，并提供了一个额外的层次，用于调整应用。此外，RAG融合还可以实现自动纠正、节省成本以及增加内容多样性。但是，需要注意一些权衡，比如潜在的延迟问题、自动纠正的挑战以及成本影响。对于依赖常见概念但可能出现内部行话或重叠词汇的应用来说，RAG融合尤其有用。
论文阅读：Retrieval-augmented Generation across Heterogeneous Knowledge
qq_44773028的博客
11-24 2569
检索增强生成（RAG）方法越来越受到NLP社区的关注，并在许多NLP下游任务上取得了最先进的性能。与传统的预训练生成模型相比，
Retrieval-Augmented Generation for Large Language Models: A Survey
Anooyman的博客
01-07 3406
在大型语言模型时代，RAG的具体定义是指在回答问题或生成文本时，首先从大量文档中检索相关信息的模型。随后，它利用这些检索到的信息来生成响应或文本，从而提高预测的质量。RAG方法允许开发人员避免为每个特定任务重新训练整个大型模型。
检索增强生成
qzhqbb的博客
11-10 992
20分钟讲明白检索增强（内附基于LangChain搭建简单RAG系统简单教程）
一文读懂graphrag
01-10
### GraphRAG介绍 GraphRAG是一种结构化、分层的检索增强生成(Retrieval-Augmented Generation, RAG)方法，旨在处理复杂的非结构化数据并将其转化为可查询的知识图谱。这种方法不仅能够提升自然语言处理(NLP)任务中的问答性能，还能够在推理复杂信息方面表现出色[^5]。 #### 特点 - **知识图谱的应用**：与传统的仅依赖于文本片段进行匹配的方法不同，GraphRAG强调了知识图谱的重要性。它可以从原始文档中抽取实体及其关系，并以此为基础建立一个富含语义的信息网络。 - **层次化的社区构建**：通过对知识点之间的关联度分析来创建具有逻辑性的社群划分，从而使得机器学习模型更容易理解和利用这些结构性的数据来进行更精准的回答生成。 - **自动摘要功能**：针对每一个识别出来的主题域自动生成简洁明了的小结，帮助减少冗余的同时也提高了效率。 ### 安装指南 对于想要快速上手的人来说，在官方提供的预编译版本里可以直接体验到GraphRAG的强大之处；而对于那些希望深入定制或优化特定应用场景下的表现，则建议从源代码开始搭建开发环境[^4]。 准备阶段主要涉及Python虚拟环境配置以及必要的第三方库安装： ```bash conda create -n graphrag_env python=3.8 source activate graphrag_env pip install neo4j langchain streamlit ... ``` 完成上述操作后就可以按照指引进一步探索如何将自己的数据集导入系统内，并启动交互式的Web界面用于测试目的。 ### 实际运用场景举例 假设有一个医疗健康领域的企业希望通过引入先进的AI技术改善客户服务体验。借助GraphRAG框架，企业可以将内部积累下来的大量病历资料整理成易于计算机理解的形式——即所谓的“医学术语网”，进而支持客服机器人更加准确地解答患者咨询的问题，甚至辅助医生做出诊断决策。 ### Python命令行工具 要初始化整个工作流，只需一条简单的指令就能让程序跑起来，这背后涉及到一系列自动化脚本负责完成诸如索引建设等工作[^3]: ```python python -m graphrag.index ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

朱晓霞AI

您的鼓励是我最大的动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值