什么是检索增强生成 (RAG)？

生成式 AI 模型在大型数据集上进行训练，它们参考这些信息来生成输出。然而，训练数据集是有限的，并且仅限于 AI 开发人员可以访问的信息，例如公共领域作品、互联网文章、社交媒体内容和其他可公开访问的数据。

RAG 允许生成式 AI 模型访问其他外部知识库，例如企业内部组织数据、学术期刊和专业数据集。通过RAG 架构将相关信息整合到生成过程中，聊天机器人和其他自然语言处理 (NLP)工具可以创建更准确的特定领域内容，而无需进一步训练。借助 RAG 技术，模型能够在保持原有参数不变的前提下提升内容准确性和专业性，因此 RAG 已成为当前生成式 AI 优化的重要方向之一。

RAG 使组织能够在将生成式 AI 模型适应特定领域用例时避免高昂的重新训练成本。企业可以使用 RAG 来填补机器学习模型知识库中的空白，从而提供更好的答案。

RAG 的主要优点包括：

• 经济高效的 AI 实施和 AI 扩展

• 访问最新的领域特定数据

• 降低 AI 幻觉的风险

• 提升用户信任度

• 扩展用例

• 加强开发人员控制和模型维护

• 提高数据安全

在实施AI时，大多数组织首先选择一个基础模型：作为开发更先进版本基础的深度学习模型。基础模型通常具有用公开可用的训练数据填充的通用知识库，例如训练时可用的网络内容。

重新训练基础模型或对其进行微调，即在更小、特定领域数据集的新数据上进一步训练基础模型，计算成本高且资源密集。该模型调整其部分或全部参数以适应新的专业数据。

借助 RAG，企业可以使用内部的权威数据源，并在无需重新训练的情况下获得类似的模型性能提升。企业可以根据需要扩展 AI 应用的实施规模，同时缓解成本和资源需求的增加。

生成式 AI 模型有一个知识截止点 ，即其训练数据最后一次更新的时间点。随着模型超过其知识截止点的时间越长，其相关性会逐渐降低。RAG 系统实时将模型与补充的外部数据连接起来，并将最新的信息整合到生成的响应中。

企业利用 RAG 为模型配备特定信息，例如专有客户数据、权威研究和其他相关文件。

RAG 模型还可以通过应用程序编程接口（API）连接到互联网，获取实时社交媒体动态和消费者评论，以更好地了解市场情绪。同时，由于模型引擎可以访问最新新闻和搜索，可将检索到的信息整合到文本生成过程，从而提供更准确的呼应。

OpenAI 的 GPT 等生成式 AI 模型通过检测其数据中的模式，然后使用这些模式来预测用户输入最可能的结果来工作。有时模型会检测到不存在的模式。当模型将错误的或虚构的信息当作事实呈现时，就会发生幻觉或虚构。

RAG 将 LLM 锚定在由真实、权威和最新数据支持的特定知识中。与仅在其训练数据上运行的生成模型相比，RAG 模型倾向于在其外部数据的上下文中提供更准确的答案。虽然 RAG 可以降低出现幻觉的风险，但它不能使模型完全无误。

聊天机器人是一种常见的生成式 AI 实现，可以回答人类用户提出的问题。为了使 ChatGPT 等聊天机器人取得成功，用户需要认为其输出是可信的。RAG 模型可以在其响应中包含对外部数据中知识源的引用。

当 RAG 模型引用其来源时，人类用户可以验证这些输出以确认准确性，同时查阅引用的作品以获取后续澄清和额外信息。企业数据存储通常是一个复杂而孤立的迷宫。带有引用的 RAG 响应可以直接指向用户所需的材料。

访问更多数据意味着一个模型可以处理更广泛的提示。企业可以通过扩展其知识库来优化模型，从模型中获得更多价值，进而扩大模型生成可靠结果的上下文范围。

通过将生成式 AI 与检索系统相结合，RAG 模型可以针对复杂查询从多个数据源检索和整合信息。

现代组织不断处理大量数据，从订单输入到市场预测，再到员工流动率等。有效的数据管道建设和数据存储对于强有力的 RAG 实施至关重要。

同时，开发人员和数据科学家可以随时调整模型可访问的数据源。将模型从一个任务重新定位到另一个任务，变成了调整其外部知识源的任务，而不是微调或重新训练。如果需要微调，开发人员可以优先进行这项工作，而不是管理模型的数据源。

因为 RAG 将模型连接到外部知识源，而不是将该知识合并到模型的训练数据中，所以它在模型和外部知识之间保持了界限。企业可以使用 RAG 来保存第一方数据，同时授予模型访问权限，这种访问权限可随时撤销。

然而，企业必须保持警惕，维护外部数据库本身的安全。RAG 使用矢量数据库，这些数据库使用嵌入将数据点转换为数字表示。如果这些数据库遭到入侵，攻击者可以逆向矢量嵌入过程并访问原始数据，尤其是在矢量数据库未加密的情况下。

RAG 系统本质上使用户能够使用对话语言查询数据库。RAG 系统的数据驱动问答功能已应用于一系列用例，包括：

• 专业聊天机器人和虚拟助理
   

• 研究
   

• 内容生成
   

• 市场分析和产品开发
   

• 知识引擎
   

• 推荐服务

想要实现客户支持自动化的企业可能会发现，他们的 AI 模型缺乏为客户提供充分帮助所需的专门知识。RAG AI 系统将模型接入内部数据，为客服聊天机器人提供有关公司产品、服务和政策的最新知识。

同样的原理也适用于 AI 虚拟形象和个人助手。将底层模型与用户的个人数据连接起来，并参考之前的互动，可以提供更加个性化的用户体验。

RAG 模型能够读取内部文档并与搜索引擎交互，在研究方面表现出色。金融分析师可以根据最新的市场信息和既往的投资活动，为客户生成特定的报告，而医疗专业人员可以处理患者和机构的记录。

RAG 模型引用权威来源的能力可以带来更可靠的内容生成。虽然所有生成式 AI 模型都可能产生幻觉，但 RAG 使用户更容易验证输出的准确性。

企业领导者可以查阅社交媒体趋势、竞争对手活动、行业相关突发新闻和其他在线资源，以便更好地为业务决策提供信息。与此同时，产品经理可以在考虑未来的开发选择时参考客户反馈和用户行为。

RAG 系统可以为员工提供公司内部信息。简化的新员工入职流程、更快的人力资源支持以及为现场员工提供按需指导，只是企业可以利用 RAG 提升工作表现的几种方式。

通过分析用户以往的行为，并将其与当前的供应进行比较，RAG 系统可以提供更准确的推荐服务。电子商务平台和内容交付服务都可以使用 RAG 来保持客户的参与度和消费力。

RAG 通过将信息检索模型与生成式 AI 模型相结合，生成更具权威性的内容。RAG 系统会查询知识库，并在生成响应之前向用户提示添加更多上下文。

标准的 LLM 从其训练数据集中获取信息。RAG 在 AI 工作流中增加了一个信息检索组件，收集相关信息并将其输入到生成式 AI 模型中，以提高响应的质量和实用性。

RAG 系统遵循五个阶段的过程：

1. 用户提交提示。
    

2. 信息检索模型查询知识库以获取相关数据。
    

3. 相关信息从知识库返回到整合层。
    

4. RAG 系统通过从检索到的数据中增强上下文，为 LLM 构建一个增强的提示。
    

5. LLM 生成输出并将结果返回给用户。

此过程展示了 RAG 名称的由来。RAG 系统从知识库中检索数据，使用额外的上下文增强提示并生成响应。

RAG 系统包含四个主要组件：

• 知识库：系统的外部数据存储库。

• 检索器：在知识库中搜索相关数据的 AI 模型。

• 整合层：RAG 架构中负责协调其整体功能的部分。

• 生成器： 生成式 AI 模型，可根据用户查询和检索数据创建输出。

其他组件可能包括一个排名器，它根据相关性对检索到的数据进行排名，以及一个输出处理程序，它为用户格式化生成的响应。

构建 RAG 系统的第一阶段是创建一个可查询的知识库。外部数据存储库可能包含来自无数来源的数据：PDF、文档、指南、网站、音频文件等。其中大部分将是非结构化数据，这意味着它尚未被标记。

RAG 系统使用一种称为嵌入的过程，将数据转换为称为矢量的数值表示。嵌入模型将数据矢量化到一个多维数学空间中，根据相似性排列数据点。被判定为相关性较近的数据点会被紧密地放在一起。

为了保持 RAG 系统的质量和相关性，知识库必须不断更新。

LLM 输入受限于模型的上下文窗口：即模型在不丢失上下文的情况下所能处理的数据量。将文档分割成更小的块有助于确保生成的嵌入不会超出 RAG 系统中 LLM 的上下文窗口。

块大小是 RAG 系统的一个重要超参数。当块太大时，数据点可能会变得过于笼统，无法直接对应于潜在的用户查询。但如果块太小，数据点可能会失去语义一致性。

矢量化数据为语义矢量搜索准备知识库，语义矢量搜索是一种识别数据库中与用户查询相似的点的技术。语义搜索机器学习算法可以查询海量数据库并快速识别相关信息，与传统的关键字搜索相比，可以减少延迟。

信息检索模型将用户的查询转换为嵌入，然后在知识库中搜索类似的嵌入。然后，它的发现结果从知识库中返回。

整合层是 RAG 架构的中心，协调进程并在网络中传递数据。借助知识库中的额外数据，RAG 系统为 LLM 组件创建了一个新的提示。此提示由原始用户查询加上检索模型返回的增强上下文组成。

RAG 系统采用多种提示工程技术，以自动化的方式创建有效的提示，帮助 LLM 返回最佳可能的响应。与此同时，像开源的 LangChain 和 LlamaIndex 或 IBM watsonx Orchestrate 之类的 LLM 编排框架，负责管理整个 AI 系统的运行。

生成器根据集成层提供的增强提示生成输出。这个提示将用户输入与检索到的数据结合起来，并指示生成器在响应中考虑这些数据。生成器通常是预训练的语言模型，例如 GPT、Claude 或 Llama。

RAG 和微调之间的区别在于，RAG 允许 LLM 查询外部数据源，而微调则是在特定领域的数据上训练 LLM。两者都有一个共同的总体目标：让 LLM 在特定领域表现得更好。

RAG 和微调通常是相对的，但也可以同时使用。微调让模型更熟悉目标领域和输出要求，而 RAG 则帮助模型生成相关且高质量的输出。