- 综合排序
- 最热优先
- 最新优先
- 来自专栏xiaosen
检索增强生成（RAG）
检索增强生成（Retrieval-Augmented Generation, RAG）是一种结合了检索机制和生成模型的先进技术，旨在提高自然语言处理系统的准确性和上下文相关性。 本文将详细介绍如何从零开始构建一个RAG系统，包括数据处理、检索、生成以及部署等各个环节。 检索管道：根据用户的查询从已索引的数据库中检索最相关的信息，使用检索策略和重排序方法来优化结果。 生成管道：将检索到的数据与用户的查询结合，生成准确、相关且连贯的响应。 构建RAG系统的步骤 1. 生成查询嵌入：将预处理后的查询转换为向量表示，以便与数据库中的文档进行比较。 执行检索：利用向量数据库执行相似性搜索，从中获取与用户查询最相关的文档片段。 4. 上下文整合与生成响应 一旦获得相关文档，RAG系统将执行以下操作： 上下文整合：将检索到的信息与用户查询结合，形成一个丰富的上下文提示，这一步骤对于生成准确响应至关重要。
1.4K10编辑于 2025-01-03 RAG检索增强生成
模型：（可能编造一个看起来合理但错误的答案）1.2RAG如何解决这些问题？RAG=Retrieval-AugmentedGeneration=检索增强生成核心思想：先搜索，再回答。 ┘│││相关文档││▼││┌─────────────┐│││增强│将检索到的文档+用户问题│││(Augment)│组合成完整的Prompt││└──────┬──────┘│││││▼││┌──── →检索不到有用的内容问题2：检索结果不准检索到的文档可能和问题表面相似但实际不相关问题3：上下文不足一个问题可能需要多个文档的信息才能完整回答问题4：答案不完整模型可能只用了部分检索结果3.2AdvancedRAG ───┼───────┘▼合并去重排序│▼生成最终回答（3）Self-RAG（自反思RAG）让模型自我判断是否需要检索、检索结果是否有用：展开代码语言：TXTAI代码解释┌─────────────── ──否──→重新生成│││是││▼││输出回答│└────────────────────────────────────────────────────┘四、GraphRAG（知识图谱增强RAG）4.1
20910编辑于 2026-05-02- 来自专栏机器学习
介绍 RAG（检索增强生成）
什么是 RAG？RAG（Retrieval-Augmented Generation）是一种将检索和生成结合在一起的模型架构，特别适用于回答开放域问答、生成相关文本以及需要丰富背景信息的任务。 RAG 的应用场景RAG 模型在多个领域有广泛的应用，包括但不限于：开放域问答：在回答开放性问题时，RAG 可以从大量文档中检索相关信息，生成更准确和详尽的回答。 信息检索增强：在需要综合多个信息源的任务中，RAG 可以提供更全面的回答或内容。RAG 的优势上下文丰富：通过检索相关信息，RAG 可以生成更符合上下文的回答或内容。 print(response)总结RAG（检索增强生成）通过将检索和生成相结合，能够在需要丰富背景信息的任务中表现出色。 它不仅在开放域问答和对话系统中具有很大的应用潜力，还可以用于文档摘要和信息检索增强等任务。通过适当的数据准备、检索模型训练、生成模型训练和模型融合，可以构建出一个强大的 RAG 系统。
2.4K00编辑于 2024-07-29 - 来自专栏人工智能
检索增强生成（RAG）技术详解
检索增强生成（Retrieval-Augmented Generation，RAG）通过将外部知识检索与生成相结合，有效解决了这些问题。 RAG技术概述 什么是RAG RAG是一种结合信息检索和文本生成的AI架构，工作流程如下： 用户查询 → 检索相关文档 → 生成增强回答 → 返回结果 ↓ │ │ │ │ 查询 + 检索文档 → 增强提示 → 生成回答 │ │ │ └──────────────── # RAG检索增强生成实践代码 import torch import numpy as np from typing import List, Dict, Optional, Tuple import RAG | 一次检索直接生成 | 简单快速 | 上下文可能不足 | 简单问答 | | Recursive RAG | 迭代检索细化 | 提高检索质量 | 计算开销大 | 复杂查询 |
1.4K10编辑于 2026-01-21 - 来自专栏大数据杂货铺
使用检索增强生成 （RAG） 增强 SQL 代理
在本文中，我们将探讨如何通过合并高级分析功能来增强 SQL 代理的功能。想象一下，代理不仅能够提供基本的统计数字，例如客户支付的平均金额，而且还能够提供更高级和更有趣的见解。 检索增强生成 （RAG） 为了便于您的代理了解如何使用这些功能，我建议采用一种称为检索增强生成 （RAG） 的技术。 此方法有助于根据查询查找相关说明。 您提供的示例越多，代理生成的 SQL 语法就越准确。 让我们构建 RAG 要创建 RAG 系统，首先要准备文档。将这些文档转换为向量并将它们保存在向量数据库中，我们将其称为向量数据库。 此外，我们还讨论了创建一个 RAG 来检索相关的语法指令信息。现在，让我们探讨如何无缝集成这两个组件。 RAG 作为工具 在这篇博客中，我详细介绍了 如何利用SQL 代理与数据库交互等工具。 # Step 4.
1.2K10编辑于 2024-04-02 - 来自专栏云云众生s
评估检索增强生成（RAG）：TruLens + Milvus
越来越多地，向量搜索已成为生成式 AI 在问答应用中的关键企业用例，即所谓的“检索增强生成（retrieval augmented generation）”或RAG。 构建 RAG 在构建高效的 RAG 式 LLM 应用程序时，有许多配置选择可供优化，这些选择可以显着影响检索质量。 RAG 在很大程度上通过为语言模型提供检索上下文来确保准确信息，但无法百分百保证。因此评估对验证应用中不存在幻想至关重要。TruLens 提供了三项测试：上下文相关度、准确性和答案相关度。 上下文相关度 任何 RAG 应用第一步是检索；为验证检索质量，我们要确保每个上下文块与输入查询相关。这非常关键，因为语言模型将使用该上下文生成答案，所以上下文中的任何不相关信息都可能被编织成幻想。 # 初始化基于 OpenAI 的反馈功能集合类: openai_gpt4 = feedback.OpenAI() 设置模型提供者后，我们选择查询语句相关度作为第一个评估。
95610编辑于 2024-03-28 【RAG】检索增强生成的评估·综述
相关工作的文章和代码汇总在：Awesome RAG Evaluation 摘要 RAG（Retrieval-Augmented Generation，检索增强生成）由于其复杂的结构性和对检索知识库的依赖 其中RAG主要由检索和生成两阶段组成。检索涉及两个部分，建立文档索引和执行文档检索，通常还会结合精拍/重排来进一步微调检索到的文档排序。 最后大语言模型结合用户问题、检索到的文档和改进的提示词生成最终的响应。但如何确保生成内容的真实性、全面性、准确性和生成模型的抗干扰性仍是需要考虑的难点。 特别是涉及一些创造性任务和逻辑推理任务，常用生成指标，BLEU、ROUGE和F1分数任然无法完全替代真人进行全面评估，不仅如此，还需要考虑检索和生成组件的相互关联，例如生成阶段检索信息的利用率，响应延迟 Auepora (A Unified Evaluation Process of RAG) 为了应对这些挑战，系统性的比较RAG系统的检索和生成质量，本文提出A Unified Evaluation Process
2K51编辑于 2024-07-19- 来自专栏muller的测试分享
人工智能|RAG 检索增强生成
而 RAG（Retrieval-Augmented Generation），通过将检索模型和生成模型（LLM）结合在一起，即可提高了生成内容的相关性和质量。 RAG 的优点外部知识的利用。 文档生成和自动摘要 （Document Generation and Automatic Summarization）：RAG 可用于自动生成文章段落、文档或自动摘要，基于检索的知识来填充文本，使得生成的内容更具信息价值 信息检索（Information Retrieval）：RAG 可以改进信息检索系统，使其更准确深刻。用户可以提出更具体的查询，不再局限于关键词匹配。 RAG 检索增强的原理从上图可能很多同学非常好奇，大模型是如何与“外挂”数据库进行交互的。不是说大模型不能联网吗？其实大模型和数据库的交互，也是通过提示词完成的。 相关资料RAG 官方文档说明总结理解什么是 RAG 检索增强。理解 RAG 检索增强应用场景。了解 RAG 检索增强有哪些相关的使用方法。
68710编辑于 2024-07-24 检索增强生成（RAG）的版权新关注
技术层面，这被称为“检索增强生成”（Retrieval-Augmented Generation，简称RAG），本质上是“语言生成模型” 与“信息检索技术”的整合。 7同样，2025年4月3日，欧盟法院（CJEU）受理的第一起生成式人工智能版权案件，也是发生在检索增强生成领域。该案源于匈牙利布达佩斯法院在审的新闻商Like与谷歌Gemini大模型之间的版权争议。 七、“检索增强生成”涉及“合理使用”之争首先，在“数据检索收集”阶段，是否构成版权法上“合理使用”的责任豁免，因数据来源不同而存在差异。一方面，使用盗版内容构建RAG知识库原则上难以构成合理使用。 19日本文化厅也曾表示，除《著作权法》第30条之4规定的“非欣赏性利用”外，运用“检索增强生成”还可以构成《著作权法》第47条之5规定的“轻微利用”。 原告指出：“在输入阶段，Perplexity AI未经许可大量复制原告的受版权保护作品，将其纳入其检索增强生成（RAG）索引，这构成了版权大规模侵权，甚至不构成任何可辩称的合理使用。
51900编辑于 2025-08-14- 来自专栏人工智能
RAG 技术合集：检索增强生成的实践指南
RAG 技术合集：检索增强生成的实践指南—— 从 BM25 到 Learned Retriever，用 400 行代码跑通「开源模型 + 私有数据」端到端场景00 为什么又是 RAG？ RAG（Retrieval-Augmented Generation）把“闭卷考试”变成“开卷带小抄”——先检索后生成，既不改权重，也能把私域知识塞进 7 B 模型，效果常追平甚至反超 60 B。 07 范式 5：迭代式检索 FLARE——当模型自己决定“再查一次”传统 RAG 一次取回 5 段即生成，若答案需跨段落推理，仍可能遗漏。 8 k 窗口仍溢出用 Map-reduce 摘要：先分段摘要再合并低资源 OOM13B 模型 24 GB 装不下4-bit GPTQ + 分页 Attention12 展望：多模态 RAG 与 Agentic 已见早期 Demo：用户上传一张仪表盘截图，系统检索对应 K8s Pod 日志 + Prometheus 指标 + Grafana 图表，生成排障报告。届时，检索不再是管道，而是思维。
74410编辑于 2025-09-28 检索增强生成机理探寻：为什么要RAG？
检索增强生成机理探寻：为什么要RAG？本文是关于RAG的第三篇文章，前两篇可从作者主页进去。 RAG系列文章的核心观点来自于“灯塔书”《知识增强大模型》第4章《检索增强生成》的内容，这些内容是对书中内容进行补充和概览。 应对幻觉：信息流控制和事实生成平衡的策略RAG内部存在控制信息流的机制，以最大限度地减少幻觉的产生。RAG平衡了检索到的事实与语言模型的生成能力，以保持连贯性，同时确保事实准确性。 提示工程在引导LLM优先考虑检索到的信息并避免生成推测性内容方面发挥着作用。事实核查机制和置信度阈值与RAG结合使用，以进一步减少幻觉。 RAG通过使用户能够将用于生成响应的信息追溯到其原始来源来增强信任。这种透明度不仅允许验证准确性，而且还帮助用户了解信息的上下文和可靠性，从而增强了对AI系统的信心。
88910编辑于 2025-04-27检索增强生成RAG的关键特性与优势
什么是检索增强生成呢？ 在灯塔书《知识增强大模型》一书的第四章《检索增强生成》中这样介绍“检索增强生成（Retrieval Augmented Generation，RAG）通过检索外部知识（如文档、知识图谱、数据库等）提升大模型知识的准确性 关于检索增强生成有关的技术，涉及到向量数据库、向量检索和文本检索以及RAG本身的实战，可以阅读灯塔书《知识增强大模型》。 这是通过复杂的检索算法实现的，这些算法能够从庞大且分散的数据集中识别出最相关的文档或数据片段 ，这些算法通常有向量检索（参考灯塔书《知识增强大模型》第3章《向量数据库》、第4章《检索增强生成》以及第8章 减少幻觉生成：基于事实的生成 RAG通过控制信息流，平衡检索事实与生成内容，最大限度地减少虚构信息。
1.9K10编辑于 2025-04-21- 来自专栏大数据杂货铺
正确完成检索增强生成 （RAG）：数据库数据
介绍 检索增强生成 （RAG） 管道正日益成为使用大型语言模型 （LLM） 和您自己的数据实现问答和聊天机器人应用程序的常用方法。 事实证明，现有的 LLM 如 OpenAI 的 GPT-4 或 Anthropic 的 Claude-2 可以很好地完成简单的文本到 SQL 任务，但在更复杂的用例中往往会失败。 然而，众所周知，RDBMS系统和基于关键字的索引很难利用这种类型的用户生成的内容。我们将使用 Vectara 构建一个 RAG 应用程序，以允许用户提出以下问题： ·什么是最适合儿童的博物馆？ 数据库表中的数据被结构化为列，在准备用于生成式 AI 的数据时，必须考虑数据架构并决定如何最好地准备它在 RAG 上下文中使用。 4.某些字段只是被忽略，并且不会在 RAG 流中使用。
2.7K10编辑于 2024-04-02 - 来自专栏AI
深入解析 RAG：检索增强生成的原理与应用
RAG 简介RAG 是“检索增强生成”（Retrieval-Augmented Generation）的简称，简单来说，就是一种让 AI 更聪明的方法。它把“找资料”和“写答案”两件事结合起来。 端到端训练RAG 的检索器和生成器并不是独立工作的。它们通过联合优化，确保检索到的文档对生成任务最有用。具体来说：undefined - 检索器会根据生成器的反馈，学习挑选更高质量的文档。 RAG 的优势与局限优势知识扩展性：通过外部知识库，RAG 能处理超出训练数据范围的问题。 可解释性：回答可以追溯到具体的检索文档，增强用户信任。 未来发展方向RAG 的提出开启了生成模型与外部知识结合的新篇章，但仍有改进空间： 多模态 RAG：结合图像、音频等数据进行检索和生成。 高效检索：优化检索速度，适应实时应用。 总结RAG（检索增强生成）通过将检索与生成结合，突破了传统语言模型的局限。它不仅能生成流畅的文本，还能动态调用外部知识，提供准确且可信的回答。
2.4K10编辑于 2025-03-11 - 来自专栏自然语言处理
RAG科普文！检索增强生成的技术全景解析
RAG 相关技术的八个主题：https://pub.towardsai.net/a-taxonomy-of-retrieval-augmented-generation-a39eb2c4e2ab 增强生成 检索增强生成增强了 LLM 响应的可靠性和可信度 如今，RAG 涵盖了广泛的技术、模型和方法。对于新手来说，这可能会有点难以理解。 增强：将检索到的信息添加到用户查询的过程。 生成：在提供增强提示时，LLM 生成结果的过程。 它包含 5 个领域的 8 种查询类型 4. 管道设计 4.A — 幼稚的 RAG 朴素 RAG：一种具有顺序索引、检索、增强和生成过程的基本线性方法。 4.B — 高级 RAG 高级 RAG：在检索前、检索和检索后阶段进行干预的管道，以克服朴素 RAG 的局限性。
2.2K31编辑于 2025-02-15 - 来自专栏AI 大数据
RAG技术：通过向量检索增强模型理解与生成能力
摘要本文介绍了RAG（检索增强生成）技术的原理与应用，特别是如何通过向量检索系统增强生成模型对外部知识的理解和生成能力。 然而，大模型在缺乏实时知识更新和生成内容准确性方面仍存在挑战。RAG技术通过结合向量检索与生成模型，有效解决了这些问题，提高了模型对外部知识的理解和生成能力。 RAG技术原理RAG技术主要通过“检索+生成”两个阶段结合来处理复杂的问题。 Q2：如何评估RAG技术的效果？A2：可以通过对比实验来评估RAG技术的效果。例如，将RAG技术与传统的基于关键词检索的方法进行比较，观察在相同查询条件下，RAG技术是否能够生成更准确、更相关的回答。 总结本文介绍了RAG技术的原理与应用，特别是如何通过向量检索系统增强生成模型对外部知识的理解和生成能力。
60510编辑于 2025-01-28 - 来自专栏自然语言处理
带你了解7种检索增强生成 (RAG) 技术
回顾2023年RAG技术的发展，检索增强生成（Retrieval-Augmented Generation，RAG）技术彻底改变了人工智能模型的工作方式，它将生成式人工智能的优势与检索现实世界文档的精确性相结合 校正RAG（Corrective RAG） 在校正RAG中，系统不仅检索和生成答案，还会验证并校正这些答案。 工作原理： 搜索与检索：与简单RAG类似，系统根据查询检索相关文档。 输出：通过每次迭代，模型生成更准确且上下文更相关的答案。迭代次数取决于项目规模和可用处理能力。 4. 图RAG(Graph RAG) GraphRAG 是微软公司内部广受赞誉的一种结合了检索增强生成（RAG）技术和知识图谱的先进框架。 GraphRAG 的核心目的在于从数据库中检索最相关的知识，以增强下游任务的答案质量，提供更准确和丰富的生成结果。 工作原理 1.
9K31编辑于 2025-01-06 - 来自专栏AI应用开发实践
检索增强生成
一 什么是RAG RAG，英文全称是 Retrieval-Augmented Generation，中文我们一般叫做检索增强生成，这是一种结合信息检索技术与生成式大语言模型（LLM）的框架。 RAG 的核心思想是：在生成答案前，先从外部知识库中检索相关信息，并将这些信息作为上下文输入大模型，从而提升生成内容的准确性和时效性。 这个“先查资料再回答”的过程，就是 RAG（检索增强生成）的核心！ 具体来说，RAG 就是让 AI 学会“先查资料再说话”。 突破知识时效性限制：大模型训练数据存在截止日期（如 GPT-4 知识截止至 2023 年），RAG 可实时更新知识库（如政策变更时同步文档）。 三 如何实现 RAG 我们来看下这张经典的 RAG 流程图： 这张图清晰展示了检索增强生成（RAG）的核心流程，分为数据准备和问答生成两大阶段。 我们分别来看。
36210编辑于 2026-03-26 检索增强生成（RAG）：大模型的‘外挂知识库
什么是RAG RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索技术与生成式大模型（LLM）的AI框架。 准确性高 检索增强：通过从外部知识库中检索相关文档，生成模型能够基于真实、可靠的信息生成回答，显著提高准确性。 减少幻觉：相比纯生成模型（如GPT），RAG减少了生成虚假或无关内容的可能性。 2. 可解释性强 基于文档生成：RAG的回答通常基于检索到的文档，用户可以追溯生成结果的来源，增强可信度。 透明性：检索到的文档可以作为生成过程的依据，使系统更具透明性。 3. 灵活性高 多任务适用：RAG可以用于多种任务，如问答、对话生成、文档摘要、内容创作等。 动态知识更新：通过更新知识库，RAG可以快速适应新领域或新知识，而无需重新训练生成模型。 4. 生成模型过度依赖检索：生成模型可能过于依赖检索结果，而忽略了自身的语言生成能力，导致回答缺乏创造性。 4.
1.7K10编辑于 2025-05-31- 来自专栏自然语言处理
检索增强生成 (RAG) 的 5 大 提示词，非常实用！
RAG 到底是啥？怎么用得更好？ (高手略过) 从去年到现在，检索增强生成（RAG）这套玩法越来越火。 2️⃣ 检索相关内容：从知识库中找到匹配的信息片段。 3️⃣ 组合提示词：把优化后的问题和检索到的内容放进提示词里。 4️⃣ 让 RAG 生成答案：确保 RAG 回答时紧扣检索内容，不添油加醋。 RAG 的作用是增强信息获取，但它也不能凭空创造内容。与其误导用户，不如让它学会“坦诚不知”！ 提示词 #4：让 RAG 先写再改，答案更精准！ 以下四个实用技巧可以帮助你优化 RAG 提示词，提高整体生成效果。 1. 清理和整理 RAG 数据源 RAG 的输出质量，取决于它能检索到的内容。 4. 加入审核机制，确保答案可靠 在高风险场景（如法律、医疗、金融等领域），不能仅依赖 RAG 自动生成答案，而是需要增加审核机制。
2.2K11编辑于 2025-03-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号