检索增强生成（RAG）：通过外部知识强化语言模型
检索增强生成 (RAG) 是一种利用外部信息（例如互联网或数据库）来回答复杂问题的语言模型。该模型对于事实检查或回答常识问题特别有用。这是2023年12月最近最受关注的领域。这是Meta宣布LLaMA2和积极发表LLM论文而产生的方法。
RAG 的工作原理
•
输入处理：接收用户的问题或询问。
•
信息搜索：在互联网或维基百科等数据库中查找相关信息。
•
情境化：将您找到的信息与您的问题联系起来。
•
响应生成：根据链接信息生成准确的答案。
真实的例子
RAG 模型查找最新的论文或文章，并根据其内容生成答案。
RAG的优势其实很明显。这是因为它是一种克服称为幻觉的语言模型局限性的方法。检索增强生成（RAG）是语言模型领域的重要进步，在各种知识密集型领域非常有用。这项技术可以利用外部信息提供最新且准确的答案，是一种强大的工具，尤其是在事实核查至关重要的情况下。
•
事实一致性：使用最新信息提供更准确的答案。
•
适应性：当信息发生变化时，模型会生成适合最新情况的答案，而无需重新训练模型。
•
用途广泛：用于各种需要知识的领域，包括回答问题和检查事实。
随着 GPT 的发布，它提供了一个接口，使 RAG 方法更易于使用。示例包括金融服务、电子商务、医疗保健和呼叫中心聊天机器人：RAG 在这些领域中用于检索客户数据、使用最新的目录信息创建产品描述、提供患者记录信息并提供个性化支持。
实际使用的服务
•
Azure 机器学习：通过 Azure 认知服务工作室和 SDK 启用 RAG，并提供预构建模型，例如 BART-RAG。
•
ChatGPT ：OpenAI 发布了一个搜索插件，可以将相关的外部知识添加到 ChatGPT 响应中。目前仅提供有限测试版。
•
Anthropic 的宪法人工智能：为使用经过训练的搜索模块生成的响应提供基本原理。我们注重透明度。
如果将 RAG 应用到提示会怎样？
•
问题分析：分析用户问题并找出适合他们的关键词或概念。
•
信息搜索：使用RAG的搜索功能搜索相关知识或数据。例如，您可以查找特定主题的最新研究或统计信息。
•
生成上下文提示：根据找到的信息创建与您的问题相关的提示。此时，我们会为用户的问题准备更多上下文和事实答案，包括检索到的信息。
•
响应生成：将准备好的提示输入到语言模型中，以根据检索到的信息生成答案。
例子
"최근에 발견된 외계 행성에 대해 설명해주세요."1.
信息检索：RAG系统搜索“最近发现的系外行星”的最新研究论文、新闻文章、维基百科页面等。
2.
创建上下文提示：根据找到的信息创建提示。例如，您可以创建一个提示，例如“最近发现的系外行星 TRAPPIST-1 有什么特征，为什么它是一个重要的发现？”
3.
生成响应：将此提示输入到语言模型中以生成详细说明 TRAPPIST-1 及其重要性的答案。
ⓒ 2023。Haebom，保留所有权利。
经版权所有者许可，可以将其用于商业目的，但需注明来源。
