RAG——为什么说RAG是AI 2.0时代的“杀手级”应用
目录
- 一、为什么选择 RAG 技术
- 二、RAG 技术的定义
- 三、RAG 技术应用场景
- 三、RAG 标准技术流程
- 3.1、索引（Indexing）
- 3.2、检索（Retriever）
- 3.3、生成（Generation）
- 四、RAG 与微调的选择
本文来源：极客时间vip课程笔记
注：后续技术类文章会同步到我的公众号里，搜索公众号小志的博客感兴趣的读友可以去找来看看。
一、为什么选择 RAG 技术
在由 OpenAI ChatGPT 引领的 AI 2.0 大模型时代，我们见证了大模型（LLM, Large Language Model）在知识、逻辑、推理能力上的突破，其通识理解能力已超越许多人类专家，并且仍在飞速进步，尚未达到顶峰。
Scaling Law、压缩产生智能、边际成本为零就是理想中的 AGI，AI 2.0 技术范式的变革正在引发 AI 软件时代的巨大变迁，正如移动互联网时代的到来使得 PC 时代的软件应用迅速成为历史一样，大模型将带来大量应用机会，AI“杀手级应用”将不断涌现，且数量会越来越多。作为软件工程师，我们正处于一个充满机遇的历史时刻，拥抱 AI 应用已成为必然选择。
尽管大模型功能强大，但它当前仍存在幻觉、知识时效性、领域知识不足及数据安全问题的局限性。RAG（Retrieval Augmented Generation，检索增强生成）技术正是在这样的背景下应运而生，成为了当前大模型应用的重要技术方向，文档问答类 LLM RAG 应用也被认为是 AI 2.0 时代最早落地的应用类型之一。
幻觉：模型基于概率生成文本，有时会输出看似合理但实际错误的答案。
知识时效性：指模型难以处理实时信息，因为训练过程耗时且成本高昂，模型一旦训练完成，就难以获取和处理新信息。
领域知识不足：大模型的知识来源于训练数据，这些数据主要来自公开的互联网和开源数据集，无法覆盖特定领域或高度专业化的内部知识。
数据安全性：企业应用中尤为重要，如何在确保数据安全的前提下，使大模型有效利用私有数据进行推理和生成，是一个具有挑战性的问题。
</