检索增强型生成(RAG)系统详解-电子发烧友网

近年来，人工智能取得了巨大的飞跃，这主要归功于大型语言模型（LLMs）。LLMs非常擅长理解和生成类似人类的文本，它们促成了多种新工具的创建，比如先进的聊天机器人和AI作家。

尽管LLMs在生成流畅且类似人类的文本方面表现出色，但它们有时在事实准确性上存在困难。当准确性非常重要时，这可能是一个巨大的问题。

那么，这个问题的解决方案是什么呢？答案是检索增强型生成（RAG）系统。

RAG集成了像GPT这样的模型的强大功能，并增加了从外部来源查找信息的能力，比如专有数据库、文章和内容。这有助于AI产生不仅写得好，而且在事实和上下文正确性方面也更准确的文本。

通过结合生成文本的能力与查找和使用准确相关信息的力量，RAG开辟了许多新的可能性。它有助于弥合仅仅编写文本的AI与能够使用实际知识的AI之间的差距。

在这篇文章中，我们将更仔细地研究RAG，它是如何工作的，它在哪里被使用，以及它可能如何改变我们未来与AI的互动。

让我们从一个正式的RAG定义开始：

检索增强型生成（RAG）是一个AI框架，它通过将大型语言模型（LLMs）与外部知识库连接起来来增强它们。这允许访问最新的、准确的信息，提高其结果的相关性和事实准确性。

现在，让我们用简单的语言来解释，以便容易理解。

我们都使用过像ChatGPT这样的AI聊天机器人来回答我们的问题。这些由大型语言模型（LLMs）驱动，它们是在大量互联网内容/数据上训练和构建的。它们在几乎所有主题上都能产生类似人类的文本，看起来它们似乎能够完美地回答我们所有的问题，但并不总是这样。它们有时分享的信息可能不准确，事实上不正确。

这就是RAG发挥作用的地方。以下是它的工作原理：

1.提出一个问题。

2.RAG搜索经过策划的知识库中的可靠信息。

3.检索相关信息。

4.将这些信息传递给LLM。

5.LLM使用这些准确信息作出回答。

这个过程的结果是得到由准确信息支持的回应。

让我们用一个例子来理解这一点：想象你想知道国际航班的行李限额。一个传统的LLM像ChatGPT可能会说：“通常，你可以托运一个重达50磅的行李和一个随身行李。但具体请咨询你的航空公司。”一个RAG增强系统会说：“对于X航空公司，经济舱乘客可以托运一个50磅的行李和一个17磅的随身行李。商务舱可以获得两个70磅的行李。注意运动器材等特殊物品的规则，并总是在办理登机手续时验证。”

你注意到区别了吗？RAG提供了针对实际航空公司政策的具体、更准确的信息。总之，RAG使这些系统更可靠和值得信赖。在开发更适用于现实世界的AI系统方面非常重要。

RAG如何工作

现在我们已经对RAG有了一个很好的了解，让我们了解它是如何工作的。首先，让我们从一个简单的架构图开始。