什么是检索增强生成（RAG）？

引言：

在AI2.0时代的浪潮中，大型语言模型（LLM）的出现彻底改变了自然语言处理（NLP）的格局。这种技术的突破为许多行业带来了前所未有的机会，特别是在文档处理和生成方面。传统的文档处理方式已无法满足现代企业对高效、准确数据的需求，而灵雀云智能文档机器人KnowledGenie正是为解决这一问题而生。它利用先进的检索增强生成（RAG）技术，重新定义了文档处理的方式，为各行各业的企业带来了革命性的变革。

那么，什么是检索增强生成？接下来，我们将通过详细的内容，让您全面了解它。

什么是检索增强生成？

检索增强生成（RAG）是对大型语言模型输出进行优化的方法，使其能够在生成响应之前引用训练数据来源之外的权威知识库。大型语言模型（LLM）通过海量数据进行训练，利用数十亿个参数执行诸如回答问题、语言翻译和生成句子等任务。在已经具备强大功能的LLM基础上，RAG通过扩展其能力，使其能够访问特定领域或企业的内部知识库，而无需重新训练模型。这种方法经济高效，能够有效改进LLM输出，在不同情境下保持相关性、准确性和实用性。

为什么检索增强生成很重要？

LLM 是一项关键的人工智能（AI）技术，为智能聊天机器人和其他自然语言处理（NLP）应用程序提供支持。目标是通过交叉引用权威知识来源，创建能够在各种环境中回答用户问题的机器人。不幸的是，LLM 技术的本质在 LLM 响应中引入了不可预测性。此外，LLM 训练数据是静态的，并引入了其所掌握知识的截止日期。

LLM 面对的已知挑战包括：

• 在没有答案的情况下提供虚假信息。

• 当用户需要特定的当前响应时，提供过时或通用的信息。

• 从非权威来源创建响应。

• 由于术语混淆，不同的培训来源使用相同的术语来谈论不同的事情，因此会产生不准确的响应。

您可以将大型语言模型看作是一个过于热情的新员工，他拒绝随时了解时事，却总是充满自信地回答每一个问题。不幸的是，这种不负责任的态度会让用户不信任机器人！

RAG 是解决其中一些挑战的一种方法。它会重定向 LLM，从权威的、预先确定的知识来源中检索相关信息。企业可以更好地控制生成的文本输出，并且用户可以深入了解 LLM 如何生成响应。

检索增强生成有哪些好处？

RAG 技术为企业的生成式人工智能工作带来了很多好处。

经济高效的实施

聊天机器人开发通常从基础模型开始。基础模型（FM）是在广泛的广义和未标记数据上训练的 API 可访问 LLM。针对组织或领域特定信息重新训练 FM 的计算和财务成本很高。RAG 是一种将新数据引入 LLM 的更加经济高效的方法。它使生成式人工智能技术更广泛地获得和使用。

获取当前信息

即使 LLM 的原始训练数据来源适合您的需求，但保持相关性也充满挑战。RAG 允许开发人员为生成模型提供最新的研究、统计数据或新闻。他们可以使用 RAG 将 LLM 直接连接到实时社交媒体提要、新闻网站或其他经常更新的信息来源。然后，LLM 可以向用户提供最新信息。

增强用户信任度

RAG 允许 LLM 通过来源归属来呈现准确的信息。输出可以包括对来源的引文或引用。如果需要进一步说明或更详细的信息，用户也可以自己查找源文档。这可以增加对您的生成式人工智能解决方案的信任和信心。

增加开发人员控制权

借助 RAG，开发人员可以更高效地测试和改进他们的聊天应用程序。他们可以控制和更改 LLM 的信息来源，以适应不断变化的需求或跨职能使用。开发人员还可以将敏感信息的检索限制在不同的授权级别内，并确保 LLM 生成适当的响应。此外，如果 LLM 针对特定问题引用了错误的信息来源，他们还可以进行故障排除并进行修复。企业可以更有信心地实施生成式人工智能技术，将其应用于更广泛的领域。

检索增强生成的工作原理是什么？

在没有 RAG 的情况下，LLM 将接受用户输入并基于其接受的训练信息或已知信息生成响应。引入了 RAG 后，系统加入了一个信息检索组件，该组件通过用户输入首先从新数据源提取信息。用户的查询和相关信息都被提供给 LLM。LLM 利用新获取的知识和其训练数据来生成更为精准的响应。以下各部分将详细介绍该过程。

创建外部数据

LLM 原始训练数据集之外的新数据称为外部数据。它可以来自多个数据来源，例如 API、数据库或文档存储库。数据可能以各种格式存在，例如文件、数据库记录或长篇文本。另一种称为嵌入语言模型（sentence embedding）的 AI 技术将数据转换为数字表示形式并将其存储在向量数据库中。这个过程会创建一个生成式人工智能模型可以理解的知识库。

检索相关信息

下一步是执行相关性搜索。用户查询将转换为向量表示形式，并与向量数据库匹配。例如，一个可以回答人力资源问题的智能聊天机器人。如果员工搜索：“我有多少年假？”，系统将检索年假政策文件以及员工个人过去的休假记录。由于这些特定文件与员工输入高度相关，它们将被提取出来。相关性的计算和建立是通过数学向量计算和表示法完成的。

增强 LLM 提示

接下来，RAG 模型通过将检索到的相关数据添加到上下文中来增强用户输入（或提示）。在这一步骤中，使用提示工程技术来与LLM进行有效的交互。增强提示使得大型语言模型能够为用户的查询生成更准确的答案。

更新外部数据

下一个问题可能是——如果外部数据过时了怎么办？为了保持检索的信息是最新的，需要异步更新文档并更新文档的嵌入（embedding）表示形式。可以通过自动化的实时流程或定期的批处理来执行这一操作。这是数据分析中一个常见的挑战，可以使用各种数据科学方法来进行变更管理。

图示：RAG 与 LLM 配合使用的概念流程

检索增强生成和语义搜索有什么区别？

语义搜索可以提高 RAG 结果，适用于想要在其 LLM 应用程序中添加大量外部知识源的组织。现代企业在各种系统中存储大量信息，例如手册、常见问题、研究报告、客户服务指南和人力资源文档存储库等。上下文检索在规模上具有挑战性，因此会降低生成输出质量。

语义搜索技术可以扫描包含不同信息的大型数据库，并更准确地检索数据。例如，他们可以回答诸如 “去年在机械维修上花了多少钱？”之类的问题，方法是将问题映射到相关文档并返回特定文本而不是搜索结果。然后，开发人员可以使用该答案为 LLM 提供更多上下文。

RAG 中的传统或关键字搜索解决方案对知识密集型任务产生的结果有限。开发人员在手动准备数据时还必须处理单词嵌入（word embedding）、文档分块和其他复杂问题。相比之下，语义搜索技术可以完成知识库准备的所有工作，因此开发人员不必这样做。它们还生成语义相关的段落和按相关性排序的标记词，以最大限度地提高 RAG 有效载荷的质量。