检索增强生成（RAG）：从理论到 LangChain 实现

每日推荐一篇专注于解决实际问题的外文，精准翻译并深入解读其要点，助力读者培养实际问题解决和代码动手的能力。

欢迎关注公众号（NLP Research），及时查看最新内容

原文标题：Retrieval-Augmented Generation (RAG): From Theory to LangChain Implementation

原文地址：https://medium.com/towards-data-science/retrieval-augmented-generation-rag-from-theory-to-langchain-implementation-4e9bd5f6a4f2

---

从原始学术论文的理论到在 Python 中使用 OpenAI、Weaviate 和 LangChain 实现。

自从人们意识到可以用自己的专有数据为大型语言模型（LLM）增效之后，人们就开始讨论如何最有效地弥合 LLM 的常识与专有数据之间的差距。围绕微调还是检索增强生成（RAG）更适合这一问题，人们进行了大量的讨论（剧透：两者都适合）。

本文首先重点介绍 RAG 的概念，并首先介绍其理论。然后，文章将展示如何使用用于协调的 LangChain、OpenAI 语言模型和 Weaviate 向量数据库来实现一个简单的 RAG 管道。

什么是检索增强生成？

检索增强生成（RAG）的概念是为 LLM 提供来自外部知识源的额外信息。这使他们能够生成更准确、更符合上下文的答案，同时减少幻觉。

问题

最先进的 LLM 在大量数据的基础上进行训练，以获得存储在神经网络权重（参数记忆）中的广泛常识。但是，如果提示 LLM 生成一个需要其训练数据中未包含的知识（如较新的、专有的或特定领域的信息）的完形填空，则可能会导致事实不准确（幻觉），如下面的截图所示：

因此，弥合 LLM 的常识与任何额外语境之间的差距非常重要，这样才能帮助 LLM 生成更准确、更符合语境的补全，同时减少幻觉。

解决方案

传统上，神经网络通过微调模型来适应特定领域或专有信息。这种技术虽然有效，但计算密集、成本高，而且需要专业技术知识，因此在适应不断变化的信息方面不够灵活。

2020 年，Lewis 等人在论文 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks 中提出了一种更灵活的技术，称为检索增强生成（RAG）。在这篇论文中，研究人员将生成模型与检索模块相结合，从外部知识源提供更容易更新的附加信息。

简单地说，RAG 对 LLM 的意义就如同开卷考试对人类的意义。在开卷考试中，学生可以携带教科书或笔记等参考资料，用来查找相关信息以回答问题。开卷考试背后的理念是，考试侧重于考察学生的推理能力，而不是记忆特定信息的能力。

同样，事实知识也从 LLM 的推理能力中分离出来，存储在外部知识源中，便于访问和更新：

• 参数知识：在训练过程中学习到的，隐式存储在神经网络的权重中。
• 非参数知识：存储在外部知识源中，如矢量数据库。

(顺便说一句，这个天才的比较不是我想出来的。据我所知，这种比较是 JJ 在 Kaggle - LLM 科学考试竞赛中首次提