既然有了大语言模型LLM为什么还要用RAG,LLM 的局限性有哪些？
RAG的优势：
RAG的使用场景：
架构
基本工作流程：
核心组件
RAG，即检索增强生成（Retrieval-Augmented Generation），是一种结合了信息检索（Retrieval）和文本生成（Generation）的人工智能技术。
RAG是生成式AI领域的重大进展，它通过整合外部知识源来增强传统的大语言模型 (LLM)。这种方法拓宽了人工智能的视野，使其能够访问和利用除初始训练数据之外的大量信息。可以将 RAG 想象为一位学者，除了拥有自己的知识外，还可以即时访问到一座全面的图书馆。
既然有了大语言模型LLM为什么还要用RAG,LLM 的局限性有哪些？
LLM 的知识库是通过训练数据得来的，受限于训练数据的时间范围（如你的 LLM 截止到 2023 年）。这意味着它无法实时获取最新信息，也无法全面涵盖所有专业领域的知识。
LLM 有时会“幻觉”出虚假的内容，即在没有真实依据的情况下生成看似真实的回答。这是因为模型的输出基于概率分布，而不是严格的事实核对。
虽然 LLM 通用性强，但它在专业领域（如医学、金融、法律等）的表现可能不足，尤其当领域知识需要不断更新。LLM 的参数是固定的。为了覆盖更多的知识或领域，模型需要变得更大，但这会导致成本显著增加。
RAG 是对 LLM 的有效增强，而不是替代。RAG 的主要作用是动态扩展知识范围、提高回答准确性和时效性、支持专业化需求，这使得 LLM 在真实世界中的应用更加可靠和实用。
RAG的优势：
提高准确性：通过引入外部知识，RAG能够生成更准确、更符合上下文的答案。 减少幻觉：RAG技术可以有效减少大型语言模型在生成过程中可能出现的幻觉现象。 实时更新：由于RAG能够整合最新的数据，因此生成的内容更加时效性和可靠
RAG的使用场景：
智能问答系统：RAG技术可以用于构建客服、教育、医疗和企业内部知识库等领域的智能问答系统。这些系统能够实时检索相关信息，生成精准的答案。 内容生成：在新闻生成、技术文档编写等场景中，RAG技术通过结合最新的外部信息，生成连贯且反映当前趋势的内容。 辅助决策：在法律、金融等行业，RAG技术可以帮助用户快速找到相关案例、法规或市场数据，辅助决策和研究工作。 聊天机器人：RAG技术帮助聊天机器人理解用户意图，检索相关背景信息，生成个性化和准确的回复。 数据分析与挖掘：RAG能够在大规模数据集中快速检索信息，为数据分析提供强大的工具。 个性化推荐系统：RAG生成个性化的产品或服务推荐，提高用户满意度和转化率。
架构
基本工作流程：
问题理解：当用户提出一个问题时，RAG系统首先尝试理解问题的内容。 信息检索：接着，系统会从一个大型的知识库中检索出与问题相关的文本片段。这些片段可以是短语、句子、段落甚至整个文档。 生成答案：最后，系统将检索到的信息与原始问题结合，输入到生成模型中，生成最终的答案。
RAG的核心在于结合检索与生成两个步骤，利用检索结果来指导生成过程，从而提高模型的准确性和多样性。
具体来说，包括数据收集、数据分块、文本嵌入、处理用户查询和使用大型语言模型（LLM）生成响应。
在检索阶段，系统会从知识库或文档库中检索与用户查询相关的信息，并将这些信息作为上下文传递给生成模型。生成模型则根据这些上下文信息生成回答
核心组件
向量数据库：用于存储和检索文本的向量表示。常用的向量数据库如 Milvus，pgvector等。 嵌入模型：将文本转换为固定长度的数值表示（嵌入），以便进行相似性计算。常用的嵌入模型包括 Huggingface 的 sentence transformer。 生成式模型：在检索到的上下文基础上生成最终的答案或响应。常用的生成模型包括 OpenAI 的 GPT 系列和其他 LLMs。 API 和 UI：用于构建用户界面和应用程序接口，常用技术包括 FastAPI、Next.js、Material UI 等。