检索增强生成（RAG）：弥合语言模型与知识源之间的鸿沟-程序员宅基地

技术标签： 语言模型  人工智能  自然语言处理  

引言

在自然语言处理（NLP）领域，大型语言模型（LLMs）在理解和生成类似人类的文本方面取得了显著进展。然而，这些模型在处理知识密集型任务时常常遭遇局限性，例如提供准确和最新的信息。这就是检索增强生成（RAG）技术的用武之地，它通过整合外部知识源来增强LLMs，从而提高生成响应的质量和相关性。

图一：RAG系统架构概览

RAG的必要性

LLMs，如GPT-3及其后续版本，在理解广泛任务方面表现良好，但它们在处理特定领域的查询时可能会遇到困难，因为它们的知识仅限于训练期间接触到的数据。这导致了以下几个问题：

  1. 虚构：LLMs可能会生成事实上不正确或无意义的内容，尤其是在处理训练数据中未包含的事件或信息时。
  2. 知识过时：LLMs无法轻松地整合在它们训练数据收集之后出现的新信息。
  3. 缺乏特定领域的专业知识：尽管LLMs在一般任务上表现良好，但它们可能难以处理需要深入了解特定领域的专业查询。

RAG通过检索外部数据库中的相关信息，并使用这些信息来指导生成过程，从而解决了这些挑战，提供了更准确和具有上下文相关性的响应。

RAG概述

RAG系统由两个主要部分组成：

  1. 检索系统：该组件查询外部知识源，检索与用户查询相关的信息片段。
  2. 生成模块：这通常是一个LLM，它使用检索到的信息作为上下文来生成响应。

过程如下：

  • 用户提出一个查询。
  • 检索系统搜索知识数据库以找到相关内容。
  • 检索到的片段与原始查询结合，形成丰富的提示。
  • LLM根据这个提示生成响应，同时利用其预训练的知识和新检索到的信息。

RAG的主要优势

  • 忠实性：响应基于实际检索到的内容，降低了虚构的风险。
  • 相关性：生成模块可以更有效地处理查询，因为它结合了相关信息。
  • 上下文意识：RAG系统可以适应特定领域并保持最新信息。

技术实现

实现RAG涉及几个技术考虑因素：

  1. 数据索引和向量化：必须将文本处理成向量空间，以便能够有效地计算语义相似性。
  2. 搜索索引：需要一个强大的搜索索引，以便基于向量相似性快速检索相关片段。
  3. 查询重构：可能需要重构原始查询以改善检索过程。
  4. 响应生成：LLM必须经过微调或提示，以生成既准确又上下文适当的响应。

图二： 文本数据索引和向量化原理示意图

图三： 检索系统工作流程示意图

图四： 生成模块的生成过程示意图

挑战和考虑事项

  • 检索质量：检索系统的准确性显著影响最终响应的质量。
  • 集成复杂性：结合检索系统和生成模块需要精心设计，以确保连贯性和效率。
  • 可扩展性：随着知识数据库的增长，保持性能变得越来越具挑战性。

RAG研究与开发

近期的研究，如Lewis等人（2020）的工作，探索了RAG的各个方面，包括它对生成文本质量的影响以及有效整合检索和生成的方法。Shahul等人（2023）的论文介绍了RAGAS，这是一个用于评估检索增强生成（RAG）管道的框架，强调了自动化指标对于RAG系统开发的重要性。

以下通过CSDN的一位博主 百度Geek说 的一篇相关文章中截取的一个片段来说明RAG的优势：

图五： RAG的优势示例

“检索”、“利用”、“生成”是 RAG 的关键部分。

举个简单的例子：

你正在写一篇关于小狗的文章，但你对小狗的知识有限。这时，你很可能会进行以下操作：

1.检索（Retrieval）：首先，你打开电脑，输入关键词为“小狗”的搜索请求，在互联网上检索了大量的关于小狗的文章、博客和信息。

2.利用（Utilization）：接下来，你会分析这些搜索结果，并提取其中的重要信息，包括狗狗的种类、行为习惯、饲养方式等等。你将这些信息整理成一个知识库，这个知识库就像一本百科全书，里面包含了各种关于小狗的知识点。

3.生成（Generation）：现在，你需要写文章。在文章的开头，通过一个问题引入：“小狗的寿命有多长？”随后，便可以使用之前检索和整理的信息来回答问题，或者生成文章的段落。这一步不仅仅是简单地复制粘贴，而是根据上下文和语法规则生成自然流畅的文本。
———————————————————————————————————————————

版权声明：以上片段来自CSDN用户 百度Geek说 的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.csdn.net/lihui49/article/details/136699678

相信在不远的将来，咱们写技术博客，都可以通过RAG轻松搞定了，到时候关键还是要看作者对某个细分领域应用场景的领悟和见解，但是知识和信息的获取将变得轻松高效。

未来方向

RAG的未来在于其适应和随着NLP应用不断增长的需求而发展的能力。关注的关键领域包括：

  • 多模态RAG：将RAG扩展到处理非文本数据，如图像和视频。
  • 实时更新：整合实时知识更新机制，以保持RAG系统的时效性。
  • 用户交互：增强RAG系统以支持更复杂的用户交互，并提供个性化体验。

结论

RAG代表了语言模型在提供知识丰富和上下文相关响应方面的一大飞跃。通过弥合LLMs和外部知识源之间的鸿沟，RAG为更复杂的NLP应用铺平了道路，这些应用可以真正理解和与用户进行有意义的互动。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_27475559/article/details/137403956

智能推荐

一些无人机航迹规划算法-强化学习法，启发式算法_强化学习无人机航迹点-程序员宅基地

文章浏览阅读556次，点赞11次，收藏8次。7. 更新 Q 值：(, ) = (, ) + [(, ) + (′,) − (, )]step4：如果迭代次数达到地图和指南针算子的迭代上限，则停止当前迭代，转而操作地标算子，否则跳转至Step3；鸽子的位置信息和速度信息进行更新，然后比较所有鸽子的适应度，找到新的最优解；6. 在当前的状态 S 下执行动作 A，得到新的状态′和奖励(, )输入：迭代次数 T，状态集 S，学习率 α，探索率，折扣因子。_强化学习无人机航迹点

解决方案 |基于背包移动平台应用激光雷达技术进行树木胸径量测_背包slam算法-程序员宅基地

文章浏览阅读3.8k次。一、概述胸径是表达树木生长状况的重要的因子之一。传统方式以胸径尺、轮尺等接触式测量为主，外业工作量较大；使用地基激光雷达采集林业数据，须进行布设标靶、架站、扫描、移站等操作，完成整体数据采集需要花费一定的人力及时间，采集完的数据也需要进行多站拼接后才能输出最终的采集结果。本文介绍采用基于移动平台应用激光雷达技术，采取自下而上的扫描方式，获取树干／枝叶详细的结构信息，并对使用激光雷达数据软件进行单木..._背包slam算法

Konva-前端绘图框架，轻松进行分层绘制-程序员宅基地

文章浏览阅读5.9k次，点赞4次，收藏16次。Konva一、介绍二、官方地址三、使用方法一、介绍Konva is an HTML5 Canvas JavaScript framework that extends the 2d context by enabling canvas interactivity for desktop and mobile applications.Konva enables high performance animations, transitions, node nesting, layering, fil_konva

将下载好的mnist数据集提取到jupyter中_jupyter怎么导入mnist数据集-程序员宅基地

文章浏览阅读2.5k次，点赞5次，收藏6次。将下载好的npz格式的mnist数据集导入到jupyter中的方法第一步：先从网上下载mnist数据集，数据集的格式为npz,这是一个压缩文件。第二步：将下载好的数据集导入到upyter 当前目录下，用upload上传数据集文件第三步：加载数据，并看压缩文件所包含的其他的东西，用：mnist=np.load(’./mnist.npz’)用mnist.files的命令来实现，打印print(mnist.files)：[‘x_test’, ‘x_train’, ‘y_train’, ‘y_tes_jupyter怎么导入mnist数据集

数据采集_msydqjihosw2fsu3.onion-程序员宅基地

文章浏览阅读2.9k次。复杂HTML解析一，三思而后行面对页面解析的时候，不假思索的直接写几行语句来抽取信息是非常直接的做饭，但是像这样鲁莽放纵的做法是非常不可取的，只会让程序变得难以调试和脆弱。那我们应该怎么做呢？寻找打印此页的链接，或者看看网站有没有HTML样式更友好的移动版。寻找隐藏在JavaScript文件里的信息如果你要的信息只存在这一个网站，别处没有，那你运气不佳，若不是可以考虑去其他容易解析网..._msydqjihosw2fsu3.onion

flask-标准类视图及其使用场景_flask 类视图应用场景-程序员宅基地

文章浏览阅读1.3k次。继承自flask.view.View,返回基于Response或其自类的对象from flask import Flask,viewsapp = Flask(__name__)class Listview(views.View): def dispatch_request(self): return 'list view'app.add_url_rule('/l..._flask 类视图应用场景

随便推点

深度学习人脸识别：InsightFace-REST 全方位解析-程序员宅基地

文章浏览阅读277次，点赞4次，收藏4次。深度学习人脸识别：InsightFace-REST 全方位解析项目地址:https://gitcode.com/SthPhoenix/InsightFace-RESTInsightFace-REST 是一个基于深度学习的人脸识别 RESTful API 服务，它提供了一个简洁而强大的接口，使得开发者能够轻松地在自己的应用中集成高精度的人脸检测、识别和属性分析功能。项目概述InsightFa...

成为Java顶尖程序员 ，看这11本书就够了_有没有分析java源码的书籍-程序员宅基地

文章浏览阅读517次。转自：http://www.kuqin.com/shuoit/20160107/349896.html“学习的最好途径就是看书“，这是我自己学习并且小有了一定的积累之后的第一体会。个人认为看书有两点好处：1.能出版出来的书一定是经过反复的思考、雕琢和审核的，因此从专业性的角度来说，一本好书的价值远超其他资料2.对着书上的代码自己敲的时候方便“看完书之后再次提升自我的最好途径是看..._有没有分析java源码的书籍

ECCV 2022 | 浙大&快手提出CoText：基于对比学习和多信息表征的端到端视频OCR模型...-程序员宅基地

文章浏览阅读2.8k次。点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>CV微信技术交流群转载自：CSIG文档图像分析与识别专委会本文是对快手和浙大联合研究的视频OCR领域工作的简要介绍，包括 CoTex【Real-time End-to-End Video Text Spotter with Contrastive Representation Learning】和 SVRep..._dann的损失函数lrec计算公式

[Python+OpenCV项目实战]——OpenCV的DNN模块_python opencv dnn-程序员宅基地

文章浏览阅读923次。文章目录一、代码1.1 utils_paths.py1.2 utils_paths.py二、结果代码目录：一、代码1.1 utils_paths.pyimport osimage_types = (".jpg", ".jpeg", ".png", ".bmp", ".tif", ".tiff")def list_images(basePath, contains=None): # return the set of files that are valid return_python opencv dnn

Unable to compile class for JSP: An error occurred at line: [16] in the generated java file:-程序员宅基地

文章浏览阅读1.4k次。 springboot页面报错Unable to compile class for JSP，即不能编译JSPWhitelabel Error PageThis application has no explicit mapping for /error, so you are seeing this as a fallback.Thu Jul 26 15:44:28 CST 2018..._an error occurred at line: [16] in the generated java fil

C# 开发中WebBrowser控件调整IE兼容性的方法-程序员宅基地

文章浏览阅读5.4k次。1,打开注册表HKEY_LOCAL_MACHINE (or HKEY_CURRENT_USER) SOFTWARE Microsoft Internet Explorer Main FeatureControl FEATURE_BROWSER_EMULATI

推荐文章

热门文章

相关标签