Canonical
11 April 2025

RAG 是什么？

在 2020 年的一篇论文中，Patrick Lewis 和他的研究团队引入了术语 RAG，即检索增强一代。该技术通过利用外部知识来源，如文件和广泛的数据库，增强了生成式 AI 模型。RAG 填补了传统大型语言模型（LLM）中的一个空白。传统的模型依赖于已经包含在其中的静态知识，而 RAG 则结合了最新信息，作为 LLM 的可靠事实来源。虽然 LLM 可以在没有 RAG 的情况下快速理解和响应提示，但它们通常不能提供最新或更具体的信息。

RAG 的一个实际应用是对话代理和聊天机器人。借助 RAG 模型，这些系统能够从外部来源获取上下文相关的信息，从而增强自身性能。这种能力确保客户服务聊天机器人、虚拟助理和其他对话界面在交互过程中提供准确和信息丰富的响应。另一个用例是在高级问答系统中，RAG 模型可帮助个人获得查询的答案，例如支持票证响应。此外，RAG 可用于内容推荐系统，通过检索相关信息提供个性化推荐，以增强用户体验和内容参与度。

使用 RAG 的好处

构建信任的数据源

将机器学习模型用于企业应用程序（例如聊天机器人）或搜索敏感数据时，RAG 为模型提供可引用的可验证信息。该方法使模型能够专注于不太模糊的背景信息，大大降低了产生错误输出的可能性，这种现象通常被称为“幻象”。

RAG 的简单性

Lewis 和三位合著者发表了一篇题为《知识密集型 NLP 任务的检索增强生成》的论文，其中他们只用五行代码演示了 RAG。该实施生成了一个模型，包括一个问题编码器、一个检索器和一个生成器，用于生成上下文感知的答案。该实施的简单性表明，RAG 作为一个概念和项目相对容易操作。然而，在生产和大规模部署中，复杂性确实增加了。

降低持续模型重新训练的成本

持续重新训练机器学习模型可能会很昂贵。利用 RAG，不需要依赖于时间密集和昂贵的参数重新训练。这可能降低在企业环境中运行 LLM 驱动的聊天机器人的计算和财务成本。

RAG 的工作原理

当在 AI 聊天机器人中进行查询时，基于 RAG 的系统首先从大型数据集或知识库中检索相关信息，然后这些信息用于通知并指导生成回复。基于 RAG 的系统由两个关键组件组成。第一个组件是检索器，它负责定位有助于回答用户查询的相关信息。它搜索数据库以选择最相关的信息。然后，将该信息提供给第二个组件，即生成器。生成器是一个产生最终输出的大型语言模型。见下图：

在使用基于 RAG 的系统之前，必须首先创建知识库，它由未包含在 LLM 训练数据中的外部数据组成。这些外部数据可能来自不同的来源，包括文档、数据库和 API 调用。大多数 RAG 系统利用一种称为模型嵌入式 AI 技术，将数据转换为数字表示，并将其存储在矢量数据库中。使用嵌入式模型，您可以创建一个在 AI 环境中易于理解和检索的知识模型。在创建知识库并设置矢量数据库后，现在可以执行 RAG 过程；以下是一个概念性流程：