在大语言模型蓬勃发展的今天，如何让模型回答更准确、更实时？RAG（检索增强生成）技术提供了一种高效的解决方案。本文将从原理、优势、架构三个方面，带你全面了解RAG。

一、RAG的基本原理与工作流程

RAG（Retrieval-Augmented Generation，检索增强生成）是一种通过 “先检索、后生成” 的方式提升语言模型生成准确性的技术框架。其核心流程如下：

• 1. Query输入：用户提出一个问题或任务。比如我问“明天的天气怎么样”，大语言模型大概率不会知道明天的天气，因为训练数据时间范围是今天前。
• 2. Retriever检索器：从外部知识库（文档、数据库、网页等）中检索与问题相关的内容。我问“明天的天气怎么样”之后，假设知识库里面刚好就有明天的天气信息，那么就会经过检索得到对应的语料信息“明天气温50度（千万不要出门）”。
• 3. Generator生成器：将检索到的内容连同问题一起输入大语言模型，让它生成更加精准、上下文丰富的回答。还是拿上面的我问“明天的天气怎么样”，Generator生成器得到Retriever检索器检索到的“明天气温50度（千万不要出门）”和我问的问题“明天的天气怎么样”一起输入到LLM中，得到回答“明天气温50度，达到历史新高，请您注意一定不要出门，不然容易晒伤”。

简单来说，RAG把 “我说我知道的” 变成 “我先当自己不知道”->“看看我的背包里有什么知识”->“哎找到了”->“总结一下再说”。