链载Ai

标题: 别再质问AI大模型胡说了！RAG能搞定它 [打印本页]

---

作者: 链载Ai    时间: 2 小时前
标题: 别再质问AI大模型胡说了！RAG能搞定它

大家好，我是大熊。这次聊一个大熊最近在使用的工具——RAG（Retrieval-Augmented Generation）检索增强生成。它最早是Patrick Lewis等人提出来的[1]。避免大家啃论文，大熊总结了一下流程：

---

好了我们已经知道了RAG，那下来RAG系统隆重登场。我们还是老规矩，先说结论它到底可以干什么呢？答案是RAG系统可以扩展大模型的知识边界，尤其在如今的模型时代，需要我们把大模型“用得准、用得稳、用得值”。

什么是 RAG系统？

它是大模型的“补脑神器”，GPT 很强大，但它也健忘 —— 它只能回答它“预训练”过的内容，对于公司内部知识、长文档里的细节、实时更新的个人数据，全都一问三不知，然而RAG系统可以弥补大模型的知识空白。

RAG系统工作流程是什么？

1. 用户提问（如：“大熊公司的休假制度是怎样的？”）

2. 向量检索系统从知识库中找到相关内容（如：人事手册）

3. 大模型结合这些资料进行回答，准确又贴合业务（如：大模型Qwen3进行总结并回答）

总结一下，就是用户对RAG系统提问，进而驱动向量检索系统，从知识库中提取相关信息，并由大模型融合上下文生成准确且业务相关的回答。

RAG系统解决了什么问题？

模型类型	行为比喻	特点
普通大模型	熊自己在脑袋里猜	容易胡说八道
RAG 模型	熊问图书管理员，查书后再回答	准确、可信

具体是大模型哪些痛点呢？

• 幻觉：模型乱编内容

• 上下文长度受限：上下文太长太贵，处理长文档困难

• 知识更新困难：新政策、新流程无法第一时间学会

• 支持动态更新：知识库更新，模型立马跟得上

什么时候适合用RAG系统？什么时候不适合？

适合场景：

• 企业内部知识问答（规章制度、FAQ）

• 合同、政策、PDF类复杂文档问答

• 本地私有数据不可上传到云时（本地部署）

不适合场景：

• 创意类写作（小说、广告文案等）

• 数据分析、计算能力强的场景（RAG本身不会帮你写SQL）

• 需要强逻辑推理/知识融合的推理题（RAG只是查资料）

 

当然RAG系统应用场景还有很多，欢迎在评论区留言和大熊头脑风暴。

最后，它不像做基础模型那样费钱，也不像一些炫酷demo那样“华而不实”，大熊也发现RAG系统是最能落地的AI能力之一，值得大家持续关注。

---

参考文献：

[1]https://proceedings.neurips.cc/paper/2020/file/6b493230205f780e1bc26945df7481e5-Paper.pdf

---

欢迎光临 链载Ai (https://www.lianzai.com/)

Powered by Discuz! X3.5