什么是 检索增强生成？
检索增强生成是一种 AI 架构，通过在生成响应之前从外部知识库检索相关信息来增强大语言模型的输出，结合信息检索系统和生成式 AI 的优势，产生更准确、更新和可验证的答案。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
检索增强生成由 Facebook AI Research（现 Meta AI）于 2020 年提出，旨在解决纯参数化语言模型的局限性。RAG 架构由两个主要组件组成：检索器（通常使用密集向量嵌入）用于搜索外部知识源，生成器（通常是 LLM）将检索到的信息合成为连贯的响应。这种方法使 AI 系统能够访问训练数据截止日期之后的信息，通过将响应建立在检索到的事实基础上来减少幻觉，并为生成的内容提供引用。RAG 已成为企业 AI 应用的基础，使组织能够构建利用专有知识库的 AI 助手，同时保持准确性和透明度。
主要特点
- 从文档、数据库和 API 整合外部知识
- 通过基于事实的生成减少幻觉
- 实时访问训练数据截止日期之后的信息
- 来源归属和引用能力，实现可验证的输出
- 无需昂贵的模型微调即可实现领域适配
- 无需重新训练基础模型即可扩展知识更新
常见用途
- 企业知识库问答系统，用于内部文档查询
- 具有产品特定知识的客服聊天机器人
- 法律和合规文档分析与查询
- 医疗信息检索和临床决策支持
- 软件产品的技术文档助手
示例
loading...
Loading code...常见问题
什么是检索增强生成（RAG）？
RAG 是一种 AI 架构模式，它在大语言模型生成回答之前，先从外部知识库中检索相关信息。通过将检索到的事实作为上下文提供给模型，RAG 能够产生更准确、更新且可追溯来源的回答。
RAG 如何减少大语言模型的幻觉问题？
RAG 通过将模型的回答建立在检索到的真实文档基础上来减少幻觉。模型不再仅依赖训练时学到的参数化知识，而是基于实际检索到的内容生成回答，并可以提供引用来源，使输出更加可靠和可验证。
构建 RAG 系统需要哪些核心组件？
RAG 系统主要包括：文档加载器（读取各类文档）、文本分割器（将文档切分为适当大小的块）、嵌入模型（将文本转换为向量）、向量数据库（存储和检索向量）、以及大语言模型（生成最终回答）。
RAG 相比微调模型有什么优势？
RAG 的优势包括：无需昂贵的模型训练、知识可以实时更新（只需更新文档库）、能够访问训练截止日期后的信息、可以提供答案来源、以及更容易适配不同领域而无需修改模型本身。