RAG:检索增强生成

一种模型架构：巧妙整合从庞大知识库中检索到的信息，以此提高大模型回答的准确性与深度。

一、RAG对大模型的辅助作用

1.RAG通过对大量，多方位，全面的数据的检索，改善LLM幻觉问题，增强其推理能力，拓宽LLM应用场景(提高适应性)

2.实时检索最新数据，保持生成内容时效性

3.链接生成内容与检索到的原始资料，增强内容可追溯性

4.检索特定领域相关数据，提高回答专业性

5.检索整合长文本信息，提高LLM长文本输入的处理能力

二、RAG工作流程

处理 检索 增强 生成

1.转化（如何转化？）输入的原始数据，使其变为模型可使用的格式（什么格式？），并存储在对应的数据库（如何搭建？）中

2.根据用户问题在数据库中检索（怎样检索？）相关信息

3.对检索到的信息进行处理（二次处理？两次处理有何区别）和增强（怎样理解增强？）

4.增强后信息输入生成模型得到答案

三、RAG与微调对比

RAG相较于微调的优势有：

1.无需重新训练来更新信息，只需直接检索知识库即可实现更新（是否意味着要更新知识库，知识库如何更新？）

2.对数据处理和操作要求极低

3.通过链接，使回答有较好的可解释性和可追溯性

4.通过检索知识库的方式降低了产生幻觉的概率

四、RAG成功案例

在问答系统，对话系统，文档摘要，文档生成等多个领域取得了成功