RAG（Retrieval - Augmented Generation，检索增强生成 ）

RAG（Retrieval - Augmented Generation，检索增强生成 ）是结合信息检索与生成式 AI 的技术框架，核心是让生成模型借助外部知识检索，弥补自身知识局限，提升输出质量，具体可从以下维度深入理解：

一、核心模块与流程

1. 检索器（Retriever）
   • 功能：从构建好的知识库（文档库、向量数据库等）里，找和用户查询相关的信息。比如做客服机器人时，从产品手册、常见问题文档里筛内容。
   • 技术：
     • 传统检索：用 BM25、TF - IDF 等，靠关键词匹配找文档，像搜索引擎初步筛选网页。
     • 语义检索：借 BERT、DPR 等模型，把文本转成向量，比 “字面匹配” 更懂语义。比如 “手机咋连 Wi - Fi” 和 “Wi - Fi 连接步骤”，语义向量接近就会关联。
2. 生成器（Generator）
   • 功能：拿检索到的信息 + 用户问题，生成自然语言回答。比如基于产品手册片段，给用户讲 “设备重启步骤”。
   • 技术：用 GPT - 3、T5 等大模型，也能结合行业定制模型，确保回答通顺、贴合需求。
3. 融合逻辑（Fusion，部分流程隐含）
   • 作用：把检索结果和用户 query 结合，决定咋用这些信息生成回答。可以简单拼接（把文档片段直接塞给模型当参考），也能加权融合（给不同相关性的片段设权重）。

二、解决的核心问题（对比纯大模型）

1. 知识更新滞后
   • 大模型训练数据有 “截止时