大模型相关名词有很多，这次我们了解什么叫RAG，即Retrieval-Augmented Generation，中文名称”检索增强生成”，这可能是带给我们便捷性最重要的技术之一。
历史文章，
《”多模态”通俗易懂的理解》
《大模型”幻觉”通俗一些的理解》
《Token通俗一些的理解》
《小白都可以看懂的小龙虾安装教程》
《OpenClaw：你养的是虾还是被时代落下的恐惧？》
普通大模型 = 闭卷考试 → 全靠自己背过的知识（可能有错、过时、瞎编）
RAG = 开卷考试 → 允许翻书、查笔记，再作答 → 答案更靠谱
知识截止日期：模型训练时看到的数据只到某个时间点。之后发生的事情它一概不知。例如你问”今天北京天气怎么样”，它不可能知道。
幻觉问题：碰到不知道的问题，它不会说”我不知道”，而是会自信地瞎编。例如问一个冷门的历史人物，它可能编出一个看似合理但完全错误的故事。
无法访问私有数据：公司内部的文档、你的个人邮件、最新的行业报告……这些数据模型训练时没见过，它就无法回答。
RAG 正好能解决这三个问题。
系统立刻去一个知识库里搜索。这个知识库可以是：全网信息、公司内部文档、你自己的笔记、最新的兽医手册……
搜索出最相关的几段内容，例如：”猫咪食欲不振的常见原因”、”如何判断猫咪是否生病”。
例如：”请根据以下资料回答问题：资料1……资料2…… 问题：我家猫咪最近不爱吃饭，怎么办？”
大模型只根据提供的资料来生成回答，而不是依赖它自己可能过时或错误的记忆。
这样答案既准确，又引用了具体来源。
RAG：就像一个会用搜索引擎的”聪明学生”。他不会将所有知识背下来，但遇到问题立刻查资料，然后总结出答案。他永远不会说”我以为”，而是说”资料显示”。
ChatGPT 的”浏览”模式：开启后可以联网检索。
企业内部的知识库问答机器人：你问”公司年假怎么申请”，它去查公司 HR 文档，然后准确回答。
因此，RAG = 检索 + 生成 = 让大模型先查资料再答题，相当于给它配了一个”实时图书馆”。它既保留了模型的强大总结能力，又弥补了模型知识有限、容易瞎编的缺陷。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/263654.html