2.3 检索增强生成技术
RAG（Retrieval-Augmented Generation）技术是一种结合了信息检索（Retrieval）和文本生
成（Generation）的自然语言处理（NLp）方法。核心思想是将传统的检索技术与现代的自然语言
生成技术相结合，以提高文本生成的准确性和相关性。它旨在通过从外部知识库中检索相关信息来
辅助大型语言模型（如 Gpt 系列）生成更准确、可靠的回答。
在 RAG 技术中，整个过程主要分为三个步骤如图 2.2 所示：索引（ Indexing）、检索
（Retrieval）和生成（Generation）。首先，索引步骤是将大量的文档或数据集合进行预处理，将
其分割成较小的块（chunk）并进行编码，然后存储在向量数据库中。这个过程的关键在于将非结
构化的文本数据转化为结构化的向量表示，以便于后续的检索和生成步骤。接下来是检索步骤，它
根据输入的查询或问题，从向量数据库中检索出与查询最相关的前 k 个 chunk。这一步依赖于高效
的语义相似度计算方法，以确保检索到的 chunk 与查询具有高度的相关性。最后是生成步骤，它将
原始查询和检索到的 chunk 一起输入到预训练的 transformer 模型（如 Gpt 或 bERt）中，生成最
终的答案或文本。这个模型结合了原始查询的语义信息和检索到的相关上下文，以生成准确、连贯
且相关的文本。
RAG 的概念和初步实现是由 douwe Kiela、patrick Lewis 和 Ethan perez 等人在 2020 年首次
提出的。他们在论文《Retrieval-augmented generation for knowledge-intensive nlp tasks》
中详细介绍了 RAG 的原理和应用，随后谷歌等搜索引擎公司已经开始探索如何将 RAG 技术应用到搜
索结果的生成中，以提高搜索结果的准确性和相关性。在医疗领域，RAG 技术可以帮助医生快速检
《离语》 第336章 好（第1/4页）
本章未完，点击下一页继续阅读。