作者： 诺特扬 来源： 诺特扬

什么是检索增强生成（RAG）？

前言

随着 AI 的发展，各种术语层出不群。本来这些术语是确定的，但因为普通人也不会去深究这些术语真正的内容，这些术语的内涵就变得像在知识的边缘游走，既是又不太确切。

那么什么是 RAG 呢？RAG 到底是哪几个词？

RAG

RAG，Retrieval-Augmented Generation，从字面意思看：↳

❝

Retrieva：检索

❞

❝

Augmented：增强↳

❞

❝

Generation：all of the people born and living at about the same time, regarded collectively.（这个词直译是代，似乎很难解释清楚这个词的意思，所以我加了英文的解释）

❞

所以 RAG 翻译过来就是检索增强生成。

RAG 就是帮助大语言模型的输出变得更准确、更多更新（more up date）的框架。

RAG 的意义

在直接与大模型对话的过程中，我们没办法确定大模型输出内容的准确性。这句话怎么理解呢？

如果我们向大模型提问的内容是我们所不熟悉的内容，大模型生成的内容就很难说是准确的内容。这与我们自己去搜索内容不一样。打个比方说，我要查昨天的气象数据，我可以去中国国家的气象信息网站查询，无论这个信息真假，我只能相信这个数据，因为这个数据是有背书、且唯一的。

但是这时候我去问大模型，大模型给出的答案就没办法证明其是真的，因为这个输出过程是完全看不到的（用户看不到这个输出到底是大模型编的还是查询到的）。

为了解决这种不准确和大模型输出的幻觉（虚假内容），于是就有了 RAG 这种框架。

RAG 框架的运行逻辑

有了 RAG，大模型在输出之前就有了一个新的步骤，那就是它会先去检索这个框架中的内容存储，找到跟用户提问相关的内容，再与输出相结合，输出相对准确的内容。这个过程大概像流程图展示的这样。

在一些预处理（经受过数据训练的）大模型中，如果外部数据已经更新了，这些预处理的大模型为了更新数据就需要重新训练模型。这一过程，大概需要数月的时间。

但因为有了 RAG，只需要更新数据库，就可以实现同样的效果。

但 RAG 也是有质量区别的，那么 RAG 框架的研发人员主要任务就是提高 RAG 增强检索的效率和效果。

更多AI工具，参考Github-AiBard123，国内AiBard123