LLM 回答更加准确的秘密：为检索增强生成（RAG）添加引用源

如何让你的大模型变得更强？如何确定其获取信息来源的准确性？

想要回答这两个问题，就不得不提到今天文章的主角——RAG。RAG，也就是检索增强生成（Retrieval-augmented generation) ，可以弥补现有 LLM 应用能力的技术。

当前，LLM 的最大问题就是缺乏最新的知识和特定领域的知识。对于这一问题，业界有两种主要解决方法：微调和检索增强生成。业内许多公司（如 Zilliz、OpenAI 等）都认为相比微调，RAG 是更好的解决方法。归根究底是因为微调的成本更高，需要使用的数据也更多，因此主要适用于风格迁移（style transfer）的场景。相比之下，RAG 方法使用例如 Milvus 之类的向量数据库，从而将知识和数据注入到应用中，更适用于通用场景。

 

采用 RAG 方法就意味着使用向量数据库存储真理数据，这样可以确保应用返回正确的信息和知识，而不是在缺乏数据时产生幻觉，捏造回答。不过，随着越来越多的文档、用例等信息被注入应用中，越来越多开发者意识到