什么是 RAG？

What is RAG?

到目前为止，我们已经了解了让 LLM 适应特定任务的两种方式：

• 提示词工程（Prompt Engineering）——在推理阶段引导模型的行为
• 微调（Fine-tuning）——调整模型的内部参数。

这两种方法都很强大，但它们都有一个共同的根本局限：模型只能利用自己已经具备的知识。

LLM 并不会自动知道新信息、私有数据、公司内部文档，或者训练数据截止日期之后出现的任何内容。

反复重新训练模型以保持信息更新，既不现实，成本也很高。

这正是检索增强生成（Retrieval-Augmented Generation，RAG）派上用场的地方。我们来拆解一下这个词：

• 检索（Retrieval）：从数据库或记忆等知识来源中获取并调用信息。
• 增强（Augmented）：用额外的信息或上下文来强化、丰富某个过程——这里指的是文本生成过程。
• 生成（Generation）：创造或产出某种内容的过程——这里指生成文本或语言。

借助 RAG，语言模型可以使用从向量数据库中检索到的信息（这些信息通常被认为是可靠的），确保自己的回答基于真实世界的知识和上下文，从而降低产生幻觉的可能性。

这让模型的回答更准确、更可靠、也更贴合上下文，同时也不需要反复用新数据重新训练 LLM。这让模型的回答更接近「实时」。

要理解 RAG 在实践中究竟是如何运作的，我们首先需要了解向量数据库——这是支撑检索的存储层。