Retrieval-Augmented Generation（RAG）简介

一、什么是 RAG？

RAG 的全称是 Retrieval-Augmented Generation
资料是这么描述的：
RAG is an AI framework that combines the strengths of traditional information retrieval systems (such as search and databases) with the capabilities of generative large language models (LLMs)
翻译过来就是：是一个AI框架(人工智能框架)，把以前提取系统消息的优势和LLM(是一种基于大量数据训练的统计语言模型)相结合出来的
我把他称为：提取文档信息，基于这些信息生成回答(仅作于个人说法)

二、RAG 的工作流程
大致可分为三个阶段
1、预处理文档：
我理解为，把一些数据，文档，网页，知识库，数据库等，这些分成小片段，这些片段可以理解为一组词（或者token），然后转换成为电脑可以理解的语义(这个词叫做"向量化")，存储到数据库

2、提取到相关内容：

我理解为，用户提问后(问题也会"向量化"，去数据库中查找)，根据语义去数据库做相似度搜索，即时没有重合的关键词，也能找到相关数据

3、生成回复内容：
我理解为，RAG框架会把"问题+相关片段"交给LLM(是一种基于大量数据训练的统计语言模型)，自然准确的回答

注："retrieval"单词理解存在点误差，含义指的是"检索"，不是"提取"，一开始我理解为提取，
提取指的是所有的内容，检索指的是只找相关内容，

三、RAG 的优势(google)

传统大语言模型虽然能力很强，但仍然存在一些天然限制：

• 知识存在时间截止点，无法了解最新信息；

• 容易出现“幻觉”，即生成不准确甚至虚构的内容；

• 无法直接访问企业内部知识、私有文档或实时数据。

而 RAG 正是为了解决这些问题：

• 可以接入最新数据；

• 可以利用企业内部知识库；

• 显著提高回答的准确性；

• 有效减少模型“胡编乱造”的情况