什么是检索增强生成 (RAG)？

RAG 通过几个主要步骤来帮助增强生成式 AI 输出：

• 检索和预处理：RAG 利用强大的搜索算法查询外部数据，例如网页、知识库和数据库。检索完毕后，相关信息会进行预处理，包括标记化、词干提取和停用词移除。
• 生成：经过预处理的检索到的信息接着会无缝整合到预训练的 LLM 中。此整合增强了 LLM 的上下文，使其能够更全面地理解主题。这种增强的上下文使 LLM 能够生成更精确、更翔实且更具吸引力的回答。

RAG 的运行方式是：首先使用 LLM 生成的查询从数据库中检索相关信息。然后，将这种检索到的信息整合到 LLM 的查询输入中，使其能够生成更准确且与上下文更相关的文本。RAG 利用矢量数据库，这种数据库存储数据的方式便于高效搜索和检索。

与传统的文本生成方法相比，RAG 具有多项优势，特别是在处理事实信息或数据驱动的回答时。以下是使用 RAG 大有助益的一些关键原因：

传统的 LLM 通常仅限于其预训练的知识和数据。这可能会导致回答可能已过时或不准确。为了克服此问题，RAG 授予了 LLM 访问外部信息来源的权限，从而确保回答的准确性和及时性。

LLM 是用于生成富有创意且富有吸引力的文本的强大工具，但它们有时难以确保事实的准确性。这是因为 LLM 是使用大量文本数据训练的，其中可能包含不准确的信息或存在偏差的信息。

RAG 通过为 LLM 提供精选知识库来帮助解决这一问题，确保生成的文本以事实信息为基础。这使得 RAG 对准确性至关重要的应用（例如新闻报道、科学写作或客户服务）特别有价值。

注意：RAG 还可以帮助防止将幻觉发送给最终用户。LLM 仍会不时生成训练不完整的解决方案，但 RAG 技术有助于改善用户体验。

RAG 中的检索机制可确保检索到的信息与输入查询或上下文相关。

通过为 LLM 提供与上下文相关的信息，RAG 能够帮助该模型生成更加连贯和符合给定上下文的回答。

这种上下文基础有助于减少无关或离题回答的生成。

RAG 鼓励 LLM 生成与检索到的事实信息一致的回答。

通过根据检索到的知识来调节生成过程，RAG 有助于最大限度地减少所生成文本中的矛盾和不一致之处。

这促进了事实的一致性，并降低生成虚假或误导性信息的可能性。

RAG 利用矢量数据库高效地检索相关文档。矢量数据库将文档作为矢量存储在高维空间中，允许基于语义相似度快速、准确地进行检索。

RAG 为 LLM 提供与上下文相关的信息，从而对 LLM 起到补充作用。然后，LLM 可以利用这些信息生成更连贯、更翔实且更准确的回答，甚至是多模态回答。

RAG 可以集成到聊天机器人系统中，以增强其对话能力。通过访问外部信息，由 RAG 提供支持的聊天机器人有助于利用外部知识提供更加全面、翔实和上下文内容感知的回答，从而改善整体用户体验。