为什么你的RAG总是“一本正经地胡说八道”？EAG-RAG揭示真相，准确率暴涨300%的秘密！

最新推荐文章于 2025-12-17 17:41:55 发布
原创 最新推荐文章于 2025-12-17 17:41:55 发布 · 547 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #大数据 #知识图谱 #搜索引擎 #pdf

大语言模型（LLM） 的核心局限性——知识时效性、“幻觉”（hallucination）问题，以及难以访问私有或领域特定数据——催生了**检索增强生成（RAG）技术的诞生。如今，随着智能体（Agentic）**范式的引入，RAG 技术正迈向一个更高级、更自主的阶段：先进的智能体增强检索增强生成（EAG-RAG）。

EAG-RAG 不仅仅是简单的检索与生成叠加，它构建了一个闭环、自优化的端到端工作流程，将文档处理、智能查询理解、多策略检索和质量保障机制整合于一体，是实现企业级知识问答系统的关键技术。

一、深度知识工程

EAG-RAG 的性能基础在于其对知识源的深度处理和结构化，这远超传统 RAG 简单的文本切分。

1. 高级内容提取与表格感知富集

系统从诸如 SharePoint 等企业内容管理系统提取非结构化和结构化数据。在这个环节，一个大型 LLM（LLM (large)）被用作内容富集智能体：

  • 结构化识别： LLM 不仅识别文本，还能执行表格感知富集（Table-aware enrichment）。这意味着它能够解析复杂的表格、图表和嵌套列表，理解数据间的关系，而不是将表格视为普通文本行。
  • 元数据注入： 它通过分析内容语义，添加高质量的自定义元数据属性（Custom Metadata Attributes），例如文档类型、主题标签、创建日期、访问权限等。这些元数据是后续精准过滤检索的基础。
2. 智能切块与离线存储
  • 表格感知切块（Table-aware chunking）： 传统的 RAG 依赖固定大小的切块，经常导致表格数据被切断，上下文丢失。EAG-RAG 的智能切块确保了关键信息（如表格的行、列标题及其内容）被完整地保留在一个知识块中，极大提高了信息的原子性和可检索性。
  • 向量与特征存储： 增强后的信息块通过嵌入模型（Embed. Model）转化为向量，存入向量存储（Vector Store）；同时，结构化特征和元数据存入特征存储（Feature Store）。这两个存储共同构成了离线存储（Offline Store），是后续所有检索的基础。

二、预处理与检索

在用户发出查询（Query）后，EAG-RAG 引入了由小型 LLM 驱动的 “预处理（Pre-Process）”智能体，这是其智能体增强（Agentic）特性的核心体现。

1. 双重 LLM 智能体优化
  • 查询优化器（Query Optimizer）： 一个小型 LLM 专注于理解用户查询的深层意图和隐含前提。它能够将模糊、口语化的查询（例如：“上次那个项目的预算是多少？”）重写为结构化、针对性强的查询（例如：“检索关于‘2024年第三季度市场推广项目’的财务预算数据”）。
  • 来源识别与过滤器（Source Identifier）： 另一个小型 LLM 负责识别查询中的关键约束和领域术语。它生成处理后的查询和元数据过滤器（Processed queries, metadata filters）。例如，如果查询涉及“合规文件”，它会生成一个过滤器，只针对“文档类型=法规”的知识块进行检索。
2. 混合检索策略

预处理后的请求进入检索过程（Retrieval Process），采用强大的混合检索机制：

  • BM25-检索器： 基于稀疏向量的关键词匹配，擅长捕获字面匹配的高相关性文档。
  • 嵌入模型向量搜索： 基于稠密向量的语义匹配，擅长捕获概念和语义相似度。
  • 通过结合这两种方法，系统能最大限度地减少**召回不足（low recall）**的问题，确保获取到最全面、最相关的 检索到的知识块（Retrieved chunks）。

三、内容生成与优化

检索到的知识块和优化后的查询进入答案生成模块，同样由 LLM 智能体主导。

1. 智能答案生成
  • 答案生成器（LLM (large) Answer Generator）： 基于**提示配置（Prompt configs）**和检索到的上下文，一个大型 LLM 生成初始的答案。这一步侧重于内容的丰富性和对信息的整合。
  • 后处理器（LLM (small) Post-processor）： 这是一个关键的质量控制环节。小型 LLM 作为后处理器，专注于精炼、校验和格式化答案。它可以执行的任务包括：
  • 事实核查：交叉比对答案和检索到的知识块，减少幻觉。
  • 去冗余：删除重复信息和过渡性语句。
  • 格式优化：确保答案符合用户终端（如 Teams）的显示习惯。
2. 用户交互与反馈

最终答案通过 Teams 等协同工具返回给用户。用户的提问和系统的回答（Query and Answer）作为重要的**后生产指标（Post-production Metrics）**数据，进入下一步的自优化环节。

四、闭环评估与持续改进

EAG-RAG 区别于传统 RAG 的最大特征是其内置的自评估和自修正机制，这使得系统可以持续演进，无需频繁人工干预。

  • 黄金数据与评估基准（Golden text data）： 预先定义的高质量问答对，用于提供评估的客观标准。
  • LLM 作为评判者（LLM as-judge Eval）： 这是一个尖端的评估方法。一个专用的 LLM 被训练来模拟人类评估者，基于“黄金数据”对系统的批处理输出（Batch Exec）进行全面评估。它能够评判答案的以下维度：
  • 忠实度（Faithfulness）： 答案是否完全基于检索到的知识块？
  • 相关性（Relevance）： 答案是否切中用户查询的要害？
  • 连贯性（Coherence）： 答案的逻辑和语句是否通顺？
  • 反馈回流机制： 评估结果直接影响到离线存储。如果某个知识块在多次评估中导致低质量回答，系统可以触发其元数据的更新，甚至重新执行内容提取/富集/切块流程，从而形成一个数据驱动的持续改进闭环。

EAG-RAG 通过将 LLM 的智能推理能力部署到工作流的每个关键节点——查询优化、内容富集、答案校验和质量评估——成功解决了传统 RAG 在准确性、可维护性和知识更新方面的核心挑战。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

2个关键技巧把 RAG 检索准确率从 50% 提高到 95 %
surfirst的博客
12-21 1560
在讨论了 RAG 的 chunking、embedding、评估指标、评估流程等技术后，我们进一步探讨 RAG 系统的实际应用。在实际项目中，RAG（Retrieval-Augmented Generation）系统的检索阶段往往是影响生成效果的核心环节。RAG 系统的工作流程包括数据摄取（Data Ingestion）和数据查询（Data Querying），其中检索是至关重要的一步。本文介绍了在一个案例中，团队如何通过2个关键技巧把 RAG 检索准确率从 50% 提高到 95 %
港大开源RAG-Anything:「万物皆可RAG」全模态All-in-One系统
回锅肉炒肉的博客
06-24 2115
港大开源的RAG-Anything系统实现了"万物皆可RAG"的全模态处理能力。该项目由黄超教授团队开发，突破了传统RAG系统仅支持文本处理的局限，创新性地构建了统一的多模态知识图谱架构，能够同时处理文档中的文字、图表、表格和数学公式等异构内容。系统采用端到端设计，包含多模态解析、跨模态知识构建和智能问答三大模块，支持10余种文档格式。RAG-Anything通过双层次检索机制和深度内容理解技术，实现了从简单事实查询到复杂分析推理的各类问题处理，为下一代AI应用提供了可靠的技术基础。项目
清华大学新RAG框架：DO-RAG 准确率飙升33%！
Z4400840的博客
05-29 1290
清华大学团队提出DO-RAG框架，创新性地将动态知识图谱与检索增强生成技术结合，显著提升专业领域问答系统的准确率。该框架通过多智能体流水线自动构建知识图谱，融合图推理与语义搜索实现双轨检索，并采用三阶段答案生成与校验机制，在数据库领域测试中以94%的准确率领先主流方案33个百分点。实验证明，DO-RAG能有效解决复杂文档关联割裂、专业术语理解不足等问题，模块化设计支持快速迁移至新领域，为知识密集型任务提供了可靠解决方案。
RAG回答准确率暴涨300%！用Coze工作流进行数据结构化（附完整提示词）
m0_59164304的博客
03-27 1542
在生成式人工智能（Generative AI）快速发展的当下，大语言模型（LLMs）的幻觉问题始终是制约其落地应用的关键瓶颈。检索增强生成（RAG）技术通过引入外部知识库，将动态检索与生成能力结合，为解决这一难题提供了重要思路。然而，RAG系统的核心性能——数据召回率，高度依赖于底层数据的质量与组织形式。尤其是一些领域文献，原始数据常以非结构化形式（如PDF论文、扫描文档、图像表格）存在，且包含冗余、噪声和碎片化信息。
RAG 架构地基工程-Retrieval 模块的系统设计分享
热门推荐
曾经“等你生日那天”都遥远得像未来，如今却可欢愉的挥手说“下个十年见”
08-24 14万+
Retrieval-Augmented Generation（RAG）架构在大模型时代大放异彩，而其中的 Retrieval 模块往往被低估。本文系统梳理了 Retrieval 模块的关键设计点，包括数据源类型、文档切分策略、向量化与存储结构、语义检索方式，以及多文档融合机制。通过图示与表格对比，揭示不同设计选择对生成效果的深远影响，强调 Retrieval 不仅是召回，更是影响最终答案质量的“地基工程”。本文旨在为研发者构建可控、可调、可解释的 RAG 系统提供结构化参考。
【AI大模型】2个简单技巧把 RAG 检索准确率从 50% 提高到 95 %
2401_85325557的博客
03-02 866
在讨论了 RAG 的 chunking、embedding、评估指标、评估流程等技术后，我们进一步探讨 RAG 系统的实际应用。在实际项目中，RAG（Retrieval-Augmented Generation）系统的检索阶段往往是影响生成效果的核心环节。RAG 系统的工作流程包括数据摄取（Data Ingestion）和数据查询（Data Querying），其中检索是至关重要的一步。本文介绍了在一个案例中，团队如何通过2个关键技巧把 RAG 检索准确率从 50% 提高到 95 %
彻底告别大模型一本正经的胡说八道，RAG搭建你的专属RAG知识库（附教程）
AAI666666的博客
03-14 883
彻底告别大模型一本正经的胡说八道，RAG搭建你的专属RAG知识库（附教程）
绝了！这样做竟能让RAG准确率飙升至90%以上，简直开挂！
mama19971023的博客
08-03 2820
我们需要根据实际的业务场景来设置不同的回应策略，例如当Top K 匹配不到时，可以直接返回特殊的语言标记，比如”知识库找不到问题相关的信息“，或者直接让LLM使用通用知识作答；又比如产品应用需要提供多轮对话，即拥有上下文联想功能时，我们还需要将历史会话记录整理后一起拼接到提示词中。
腾讯优图开源Youtu-GraphRAG框架：让大模型告别“一本正经地胡说八道”
攻城狮7号的博客
09-16 2958
大语言模型（LLM）很强大，但其“一本正经地胡说八道”的幻觉问题，一直是阻碍其在企业级应用中大展拳脚的“阿喀琉斯之踵”。检索增强生成（RAG）技术应运而生，但传统的RAG在面对复杂问题时，仍显得力不从心。本文将深入探讨从RAG到GraphRAG的技术演进，并详细拆解腾讯优图最新开源的Youtu-GraphRAG框架。我们将看到，它是如何通过三大核心创新，为大模型装上了一个精准的“知识导航系统”，在大幅降低成本的同时，显著提升了复杂推理的准确性，真正让AI学会了“思考”而非“背诵”。
一问讲透什么是 RAG，为什么需要 RAG？
weixin_53880910的博客
08-16 1239
如果使用 pretrain 好的 LLM 模型，应用在你个人的情境中，势必会有些词不达意的地方，例如问 LLM 你个人的信息，那么它会无法回答;这种情况在企业内部也是一样，例如使用 LLM 来回答企业内部的规章条款等。 这种时候主要有三种方式来让 LLM 变得更符合你的需求：
精选资源
RAG-基于Java实现的增强检索生成RAG项目-包含知识库+检索-附项目源码+流程教程-优质项目实战
10-20
对于复杂查询的处理，知识库能够极大地提升检索的准确度和相关性。 从应用层面来看，RAG项目可以被应用于多种场景，如企业内部的知识管理系统、在线问答平台、客户服务系统等，它能够帮助用户快速找到他们需要的...
精选资源
前端大模型入门：使用Transformers.js实现纯网页版RAG（二）- qwen1.5-0.5B
09-28
RAG架构通过检索知识库中的信息，并将其结合到生成模型中，来提供更加准确和丰富的答案。这种架构的优势在于能够将语言模型的生成能力与大量背景知识结合，从而生成更加详实和精准的回答。 知识点十：大数据、机器...
以太联的自愈功能与看门狗机制解析
suzhou_speeder的博客
12-15 938
看门狗(Watchdog)是一种硬件或软件实现的定时器机制，其核心功能是监控系统或程序的运行状态，防止程序跑飞或陷入死循环。案例：车载以太网交换机通过硬件看门狗实时监测链路状态，若检测到链路中断(如3ms内未收到心跳包)，立即启用备用路径，确保刹车、转向等关键系统永不掉线。案例：某智能工厂的PLC(可编程逻辑控制器)采用软件看门狗，若主程序因干扰死机，看门狗机制自动重启PLC，恢复生产流程。三者协同工作，实现“设备-交换机-网络”三级自愈，显著提升网络可靠性、降低运维成本，并为企业数字化转型提供坚实基础。
多模态赋能情绪理解：Qwen3-VL+LLaMA-Factory 的人脸情绪识别实战
最新发布
Lab4AI的博客
12-17 477
本项目依托Lab4AI平台，基于LLaMA-Factory成功对Qwen3-VL进行了完整的微调流程。我们将传统的人脸情绪识别任务与多模态大语言模型（MLLM）相结合，探索了MLLM在视觉情绪理解中的应用。通过微调Qwen3-VL，我们成功将传统的分类任务转化为多模态推理任务，显著提升了模型在复杂场景下的鲁棒性和准确率。这一方案不仅在人脸情绪识别上取得了显著提升，还为其他视觉任务的多模态大模型应用提供了新的思路，具有广泛的应用前景。
Transformer架构的原理是什么？
SACKings的博客
12-15 700
对于“Thinking”这个词，它的输出向量可能包含了90%它自己的信息和10%“Machines”的信息。而对于“Machines”，它的输出可能包含了70%它自己的信息和30%“Thinking”的信息。Transformer 架构的原理是理解现代大模型（如 GPT、BERT、T5 等）的基石。正是因为这些原理上的优势，Transformer才取代了RNN和CNN，成为了当今AI大模型时代的统治性架构。的（打乱输入顺序，输出可能不变），它没有内置的位置概念。Q·K 然后Softmax。
AIDD-人工智能药物设计-扩散模型热力学：从 AI 提取物理能量
itwangyang520的博客
12-14 963
扩散模型的核心是加噪与去噪。这对业界的启示是，要实现精准医疗，特别是针对耐药突变的药物设计，不能仅依赖大语言模型（Large Language Model, LLM）处理序列。他们从文献和数据库中挖掘了过去被忽略的细节：氨基酸的替换、插入、缺失，以及关键的磷酸化修饰，最终整理出 4032 对新的激酶 - 配体数据。GeneGPT 曾展示了大语言模型（LLM）在生物医药领域的潜力，而 OpenBioLLM 提出了不同于 GeneGPT 单体（Monolithic）架构的方案：组建由「专家」构成的团队。
vLLM推理引擎教程4-离线推理功能
benben044的专栏
12-12 1067
本文介绍了使用vLLM框架优化推理性能的多种方法。主要内容包括：1）基础文本生成、对话式推理、文本分类和嵌入提取四种任务的基本实现；2）自动前缀缓存功能，通过共享KV缓存加速长上下文处理；3）使用YARN方法扩展模型上下文长度；4）多模态任务处理示例（Whisper语音识别）；5）底层LLMEngine API的使用。文章通过具体代码示例展示了如何设置参数实现各类推理优化，包括温度调节、top-p采样、缓存复用等技巧，适用于文本生成、分类、嵌入等多种NLP任务场景。
观成科技:Zloader木马家族加密流量分析
GCKJ_0824的博客
12-12 804
摘要：Zloader木马最初作为银行木马Zeus的下载器，现被广泛用于勒索软件投递。其采用多种加密通信技术规避检测：1）DGA技术生成随机域名；2）DNS隧道隐藏数据；3）HTTPS加密通信；4）Websocket掩码加密。最新版本通过会话密钥强化DNS隧道加密。观成科技利用AI模型结合TLS指纹检测HTTPS加密流量，持续通过行为分析和机器学习应对加密威胁。研究表明，恶意软件正不断升级流量对抗技术，凸显加密流量检测的重要性。（149字）
nl2sql技术实现自动sql生成之Spring AI Alibaba Nl2sql
疾风sxp的博客
12-15 780
上一节我们在介绍了自然语言转sql的基本思路，今天我们通过实操来解决这一技术实现，通过Spring AI Alibaba开源的nl2sql框架进行这块技术的讲解。
你理解的RAG是什么？
12-06
<think>我们正在讨论RAG的定义。根据引用[1]和引用[2]的内容，RAG是Retrieval-Augmented Generation的缩写，即检索增强生成。它是一种结合信息检索与文本生成的技术。下面我将详细解释RAG的定义。 ### RAG的定义 RAG（检索增强生成）是一种用于自然语言处理（NLP）的技术框架，它通过以下两个步骤生成文本： 1. **检索（Retrieval）**：从外部知识库中检索与用户查询相关的信息或文档片段。 2. **生成（Generation）**：将检索到的信息与用户查询一起输入到生成模型中，生成更准确、相关且具有上下文感知的响应。 这种方法的优势在于能够利用外部知识源来增强生成模型的能力，使其能够提供更准确和最新的信息，尤其适用于需要特定领域知识或实时数据的场景[^1][^2]。 ### RAG的核心组件 - **检索器（Retriever）**：负责从大型文档库中快速检索相关文档。通常使用向量数据库和嵌入（Embeddings）技术，将文本转换为向量表示，然后通过相似度计算（如余弦相似度）来查找最相关的文档。 - **生成器（Generator）**：通常是一个预训练的语言模型（如GPT系列），它接收检索到的上下文和用户查询，并生成自然语言响应。 ### 工作流程 RAG的工作流程可以概括为： 1. 接收用户查询。 2. 使用检索器从知识库中查找相关文档（通常返回top-k个文档）。 3. 将检索到的文档和原始查询拼接成提示（prompt）。 4. 将提示输入生成模型，生成最终响应。 ### 数学表示 在数学上，RAG的生成过程可以表示为： $$ p(y|x) = \sum_{z \in \text{top-k}(x)} p(y|x, z) \cdot p(z|x) $$ 其中： - $x$ 是输入查询 - $y$ 是生成响应 - $z$ 是检索到的文档片段 - $p(z|x)$ 表示检索模型给出查询$x$时检索到文档片段$z$的概率 - $p(y|x, z)$ 表示生成模型在给定查询$x$和文档片段$z$时生成响应$y$的概率 ### 使用场景 RAG适用于以下场景： - 问答系统（如ChatPDF） - 需要实时更新的知识库（如新闻摘要） - 领域专业知识库（如医疗、法律咨询） - 减少大模型的幻觉（hallucination）现象 §§相关问题§§ 1. RAG与传统微调（fine-tuning）方法相比有哪些优势？ 2. 如何评估一个RAG系统的性能？ 3. 在构建RAG系统时，如何优化检索环节的准确性？ </think> ### RAG（检索增强生成）的定义解析 RAG（Retrieval-Augmented Generation）是一种**结合信息检索与文本生成**的AI技术架构。其核心在于通过检索外部知识源增强大语言模型（LLM）的生成能力，具体定义为： 1. **技术本质** 在生成文本前，系统会从预设的知识库中检索相关信息，并将检索结果作为上下文输入生成模型。这改变了传统LLM仅依赖预训练参数的局限，形成动态知识注入机制： $$ \text{生成结果} = f(\text{用户查询} \oplus \text{检索到的知识}) $$ 2. **核心目标** - 提升生成内容的**准确性**：通过实时检索避免大模型"幻觉"问题[^1] - 增强**时效性**：知识库可动态更新，突破大模型训练数据的时间限制 - 扩展**领域适应性**：无需重新训练模型即可对接专业领域知识 3. **关键特征** - **双阶段架构**： ```mermaid graph LR A[用户查询] --> B(检索模块) B --> C{知识库} C --> D(生成模块) D --> E[增强后的回答] ``` - **知识动态绑定**：每次生成都重新检索，确保信息最新 - **上下文感知**：检索结果作为提示词（prompt）的一部分输入LLM 4. **与传统LLM的区别** | 维度 | 传统LLM | RAG | |---|---|----| | 知识来源 | 训练数据固化参数 | 外部实时检索 | | 信息更新 | 需重新训练 | 动态更新知识库 | | 领域适应性 | 弱 | 强（通过定制知识库） | | 事实准确性 | 易产生幻觉 | 显著提升 | > **典型案例**：ChatPDF系统通过RAG实现PDF文档解析，用户提问时实时检索文档内容并生成精准答案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值