什么是人工智能中的检索增强生成（RAG）？

1.检索 

该模型可从结构化或非结构化来源（如数据库、PDF、HTML 文件或其他文档）中搜索和检索相关数据。这些数据源可以是结构化的（如表格），也可以是非结构化的（如经过批准的网站）。

2.生成

检索完成后，信息被输入LLM 。LLM 利用这些信息生成自然语言回复，将核准的数据与自身的语言能力相结合，创建准确、类似人类和符合品牌的回复。

示例 1：律师事务所

律师事务所可以在人工智能系统中使用 RAG，以便

• 在研究过程中，从文件数据库中搜索相关判例法、先例和法律裁决。
• 从案件卷宗和过去的裁决中提取关键事实，生成案件摘要。
• 自动为员工提供相关的监管更新。

示例 2：房地产中介

房地产公司可能会在人工智能系统中使用 RAG，以便

• 总结物业交易历史数据和社区犯罪统计数据。
• 引用当地的房地产法律法规，回答有关房地产交易的法律问题。
• 通过从财产状况报告、市场趋势和历史销售中提取数据，简化评估流程。

示例 3：电子商务商店

电子商务可以在人工智能系统中使用 RAG，以便

• 从公司数据库中收集产品信息、规格和评论，为个性化产品推荐提供依据。
• 检索订单历史记录，生成符合用户偏好的定制购物体验。
• 通过检索客户细分数据并将其与最近的购买模式相结合，生成有针对性的电子邮件营销活动。

防止幻觉和误差

传统的语言模型往往会产生幻觉，即听起来令人信服，但实际上不正确或不相关的回答。

RAG 通过将反应建立在可靠和高度相关的数据源基础上，减少了幻觉。 

检索步骤可确保模型引用准确的最新信息，从而大大降低出现幻觉的几率，提高可靠性。

检索最新信息

虽然LLMs 是执行许多任务的强大工具，但它无法提供有关稀有或最新信息（包括定制的业务知识）的准确信息。

但 RAG 允许模型从任何来源获取实时信息，包括网站、表格或数据库。 

这就确保了，只要真实信息源更新，模型就会响应最新信息。

在复杂环境中交流

传统LLM 的另一个弱点是上下文信息的丢失。在冗长或复杂的对话中，LLMs 很难保持上下文。这往往会导致回答不完整或支离破碎。

但是，RAG 模型可以直接从语义关联的数据源中提取信息，从而实现上下文感知。 

有了专门针对用户需求的额外信息--比如配备了产品目录的销售聊天机器人--RAG 允许人工智能代理参与情境对话。 

1.文件上传

首先，创建者将文档或文件上传到人工智能代理库中。文件可以是网页、PDF 或其他受支持的格式，这些文件构成了人工智能知识库的一部分。

2.文件转换

由于文件类型众多，如 PDF、网页等。- 系统会将这些文件转换成标准化的文本格式，使人工智能更容易处理和检索相关信息。

阅读《RAG 指南》全文

想让 RAG 为您服务？我们可以帮助您。

立即阅读

访问始终免费

3.分块和存储

然后，转换后的文档会被分解成更小的、易于管理的片段或块。这些小块存储在数据库中，使人工智能代理能够在查询时有效地搜索和检索相关部分。

4.用户查询

建立知识库后，用户可以向人工智能代理提问。人工智能代理会使用自然语言处理技术（NLP）来处理查询，以理解用户的问题。

5.知识检索

人工智能代理会搜索存储的信息块，利用检索算法从上传的文件中找到与用户问题最相关的信息。

6.一代人

最后，人工智能代理将把检索到的信息与其语言模型能力结合起来，根据查询和检索到的数据，生成一个连贯的、符合上下文的准确答案。

语义分块与天真分块

裸分块是指将文档分割成固定大小的片段，如将文本切割成 500 个单词的部分，而不考虑意义或上下文。 

语义分块则是根据内容将文档分成有意义的部分。它考虑了自然分隔，如段落或主题，确保每个分块都包含连贯的信息。

强制性引文

对于利用人工智能实现高风险对话自动化的行业（如金融或医疗保健行业）来说，引用可以帮助用户在接收信息时建立信任感。

开发人员可指示其 RAG 模型为发送的任何信息提供引文。 

例如，如果员工向人工智能聊天机器人询问有关健康福利的信息，聊天机器人可以做出回应，并提供相关员工福利文件的链接。