什么是RAG？一文读懂检索增强生成_AI热点日报

RAG通过引入外部知识库解决大语言模型知识过时和幻觉问题，利用检索器从知识库获取相关文本，增强生成器作答的准确性与可追溯性，适用于企业知识库等场景，显著提升AI回答的可靠性。

RAG（检索增强生成）技术正在改变大语言模型的应用方式，它通过引入外部知识库来弥补模型知识的时效性不足和“幻觉”问题，让AI的回答更加准确、可靠、可追溯。本教程将带你深入理解RAG的核心原理、关键技术、实际优势，并通过具体案例和常见问题解答，帮助你全面掌握这一重要技术。

一、RAG技术如何让AI更靠谱？——解决知识过时与幻觉问题

想象一下，你面前坐着一位超级“学霸”。他博览群书，记忆力惊人，口才极佳，无论你问什么，他都能侃侃而谈，出口成章。

但这位学霸有两个致命缺点：第一，他读的书都停留在2024年（或者更早），世界之后发生的新鲜事他一概不知；第二，有时候为了显得自己很懂，他会“脑补”一些听起来很合理，但完全是瞎编的内容。

这就是当前很多大语言模型（如ChatGPT、文心一言等）的尴尬现状——知识可能过时，还爱“一本正经地胡说八道”（专业术语叫“幻觉”）。

那么，有没有办法让这位学霸变得更靠谱呢？有！这就是RAG（检索增强生成）要做的事情。

RAG 的核心思路非常简单粗暴，但极其有效：不是让学霸死记硬背所有的知识（这太难且不现实），而是给他配备一个强大的“图书管理员”和一个巨大的“实时更新的图书馆”。我们不妨来看看它的工作过程：

你提问： 当你向系统提出一个问题（比如：“2024年巴黎奥运会新增了哪些比赛项目？”）。
图书管理员出动： 这个“图书管理员”（即“检索器”）立刻冲进庞大的“图书馆”（即你的“知识库”，里面可以包含公司文档、产品手册、最新新闻、专业论文、法律法规等等）。它利用高效的搜索技术（通常是基于语义相似度），快速找出与你的问题最相关的几段资料。
学霸查阅资料并作答： 这位“学霸”（即大语言模型这个“生成器”）拿到了图书管理员递过来的相关资料。它不再仅仅依靠自己脑子里可能过时或不完整的记忆，而是仔细阅读这些最新的、具体的资料，然后结合自己强大的理解和语言能力，组织出一个准确、有依据的答案回答你。
你得到答案： 你不仅得到了答案，通常还能知道这个答案是参考了哪些资料（来源可追溯），大大增加了可信度。

知识库： 这是 RAG 的基石。它可以是你拥有的任何结构化或非结构化的文本数据集合：公司内部 Wiki、产品说明书、客服对话记录、行业报告、法律法规、最新新闻动态、甚至是经过整理的网页内容等。关键是要包含你希望模型能准确回答的问题所需的信息。
向量化： 为了能快速找到相关内容，知识库里的每一段文本（比如一个段落、一篇文章摘要）都会被一个叫做“嵌入模型”的工具转换成数字向量。你可以把这个向量想象成这段文字在“语义空间”中的一个独特坐标。这个坐标代表了这段文字的核心含义。
问题向量化： 当用户提问时，用户的问题也会被转换成向量。
相似度搜索： 系统在知识库的所有向量中进行搜索，找出那些坐标最接近问题向量的文本片段（即语义上最相关的）。通常返回前 K 个（比如 3-5 个）最相关的片段。

检索到的最相关文本片段，被作为额外的“上下文信息”或“参考依据”，和用户的原始问题一起，输入给大语言模型。这一步是“增强”的关键——模型不是凭空想象，而是有了具体的、相关的材料可以依据。

大语言模型接收到了“用户问题 + 检索到的相关文本片段”。
模型的工作是：仔细阅读和理解用户的问题，同时认真分析检索到的资料。
模型基于对问题和资料的综合理解，运用其强大的语言组织能力，生成一个流畅、自然、直接回答用户问题的文本。
关键点： 模型生成答案时，会努力将检索到的信息融入自己的回答中，确保答案的准确性和相关性，并尽量避免编造（幻觉）。它并不是简单地复制粘贴检索到的文本，而是理解后用自己的话表述出来。