RAG（Retrieval-Augmented Generation，检索增强生成）

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合 信息检索 和 文本生成 的技术，旨在提升大语言模型（LLM）生成内容的准确性和时效性。其核心思想是：先检索相关知识，再基于检索结果生成回答，从而弥补纯生成模型（如GPT）的固有缺陷。

一、RAG 的核心原理

1. 工作流程：

   • 检索（Retrieval）：从外部知识库（如数据库、文档）中查找与用户问题相关的信息。

   • 增强（Augmentation）：将检索到的内容作为上下文插入到LLM的输入中。

   • 生成（Generation）：LLM 结合检索到的知识和自身预训练知识生成最终回答。

2. 技术对比：

   方法	优点	缺点
   纯生成模型	无需额外数据，回答流畅	容易“幻觉”（编造事实），知识过时
   RAG	回答更准确，可动态更新知识	依赖检索质量，响应速度略慢

二、RAG 的典型应用场景

1. 知识密集型问答

   • 例如：回答“2023年诺贝尔经济学奖得主是谁？”

   • RAG作用：实时检索权威新闻或数据库，确保答案最新。

2. 客服系统

   • 例如：用户问“如何重置密码？”

   • RAG作用：检索企业最新文档，生成标准化回复。

3. 学术/法律咨询

   • 例如：“《民法典》中关于租赁合同的规定有哪些？”

   • RAG作用：从法律条文库中检索相关条款，生成解读。