RAG(Retrieval-Augmented Generation,检索增强生成)将外部资料的检索与生成模型结合,帮助系统针对当前问题使用相关材料。它可以连接模型未直接掌握的文档,但不是事实正确性的自动保证。
检索与生成分别做什么
检索选择可能有用的材料,生成系统根据问题和可用材料组织回答。若选错段落、忽略限制条件,或把多个来源错误地综合起来,最终答案仍可能有问题。
资料更新不等于重新训练
为知识库补充一份文件,通常不意味着修改了模型参数。理解这一点,有助于区分RAG、当前上下文、长期记忆与模型训练,也能更清楚地讨论知识来自哪里。
怎样检查一个回答
在公开手册问答中,读者可以核对引用是否真实存在、是否支持具体结论、是否来自适用版本。系统给出链接只是阅读入口,还需要判断内容是否匹配。
理解这些问题时,可以结合大语言模型继续比较相关概念的含义与适用范围。
相关项目探索,可从LingoAI的AI方向继续了解。
常见问题:RAG能完全消除幻觉吗? 不能。它提供补充依据的一种方式,结果仍受检索、材料质量和生成过程影响。
公开参考资料: Lewis 等 Retrieval Augmented Generation for Knowledge Intensive NLP Tasks。