缺乏应用的大模型，是没有价值的。
你可能使用过Kimi、豆包这样的大模型工具。它们能够充当我们的创作助手、咨询专家，甚至可以进行情感陪护。但这样的应用，还远远不能发挥出大模型的真正价值。
我们期望大模型在更专业的生产领域发挥作用，提升生产力，引领真正的科技变革。
当前被普遍看好的两个大模型专业应用方向，分别是RAG（Retrieval-Augmented Agenerated，检索增强生成）与Agent（AI智能体）。
本篇文章，先带大家认识一下RAG。
01
了解大模型的“幻觉”
在了解RAG之前，我们先了解一下大模型著名的“幻觉”问题。
“幻觉”，指的是大模型在试图生成内容或回答问题时，输出的结果不完全正确甚至错误，即通常所说的“一本正经地胡说八道”。
这种“幻觉”可以体现为对事实的错误陈述与编造、错误的复杂推理或者在复杂语境下处理能力不足等。
“幻觉”的主要原因，来自于：
（1）训练知识存在偏差：老师教错了，学生自然对不了。
在训练大模型时，输入的海量知识可能包含错误、过时，甚至带有偏见的信息。
这些信息在被大模型学习后，就可能在未来的输出中被重现。
（2）过度泛化地推理：自作聪明，以偏概全了。
大模型尝试通过大量的语料，来学习人类语言的普遍规律与模式。
这可能导致“过度泛化”的现象，即把普通的模式推理用到某些特定场景，就会产生不准确的输出。
（3）理解存在局限性：死记硬背，加上问题太难了。
大模型并没有真正“理解”训练知识的深层含义，也不具备人类普遍的常识与经验。因此，可能会在一些需要深入理解与复杂推理的任务中出错。
（4）缺乏特定领域的知识：没学过，瞎编个答案蒙一下。
通用大模型，是一个掌握了大量人类通用知识，且具备超强记忆与推理能力的优秀学生，而不是某个垂直领域的专家（比如医学或者法律专家）。
当面临一些复杂度较高的领域性问题，或者私有知识相关的问题时（比如介绍企业的某个新产品），它就可能会编造信息并将其输出。
当然，除了“幻觉”问题，大模型还存在知识落后、输出难以解释、输出不确定等一些问题。
这也决定了大模型在大规模商业生产应用中会面临着挑战：
很多时候，我们不仅需要理解力和创造力，还需要极高的准确性（不仅要会写作文，还要会准确解答数学题）。
02
RAG如何优化“幻觉”问题
RAG，正是为了尽力解决大模型在实际应用中面临的一些问题（特别是“幻觉”问题）而诞生的一种优化方案，也是最重要的方案。
其基本思想可以简单表述如下：
将传统的生成式大模型与实时信息检索技术相结合，为大模型补充来自外部的相关数据与上下文，以此帮助大模型生成更丰富、更准确、更可靠的内容。
这允许大模型在生成内容时，可以依赖实时与个性化的数据和知识，而不只是依赖训练知识。
简单的说：RAG给大模型增加了一个可以快速查找的“知识外挂”。
用一个例子帮助理解RAG的概念：
如果把大模型比喻成一个经过大量知识与技能训练的优秀学生，把大模型响应的过程比喻成考试。那么，这个优秀学生在考试时，仍然可能会遇到没有掌握的知识，从而编造答案（幻觉）。
RAG，就是在这个学生考试时，临时给他的一本参考书。我们可以要求他在考试时，尽量参考这本书作答。
那么，在遇到与这本书中的知识相关的问题时，他的得分是不是就高多了呢？
03
模拟简单的RAG场景
假如你需要开发一个在线的自助产品咨询工具，允许客户使用自然语言进行交互式的产品问答，比如“请介绍一下您公司这款产品与××产品的不同之处”。
为了让客户有更好的体验，你决定使用大模型来构造这样的咨询功能，并将其嵌入公司的官方网站。
如果你直接使用通用大模型，那么结果很可能如图1-10所示。
不出意外，大模型显然不具备贵公司的最新手机产品知识，因此无法回答客户的问题（有时候可能会尝试编造答案）。
现在，如果你采用了RAG的思想，那么，可以先从企业私有的知识库中，检索出下面一段相关的补充知识。
你把检索出的补充知识组装到提示词中，将其输入大模型，并要求大模型基于提供的知识来回答你的问题。
大模型很聪明地“吸收”了补充的外部知识，并结合自己已经掌握的知识，成功推理并给出了答案：
是的，RAG本质上就是一种借助“外挂”的提示工程，但绝不仅限于此。
因为在这里简化了很多细节，只是为了展示RAG最核心的思想：给大模型补充外部知识以提高输出答案的质量。
04
RAG与模型微调
要想提高大模型在特定行业与场景中输出的适应性与准确性，除了使用RAG，还可以使用自己的数据对大模型进行微调。
简单地说，微调就是对基础模型在少量（相对于预训练的数据量来说）的、已标注的数据上进行再次训练与强化学习，以使得模型更好地适应特定的场景与下游任务。
显然，微调是另外一种给大模型“灌输”新知识的方法。两者的主要差异在于：
RAG无需额外的训练，随时可以提供补充的知识，调试简单。缺点是受到上下文空间的限制，且回答时性能略差（毕竟要现学现用）。
微调需要专门的数据准备和训练时间，技术要求相对较高，效果较难预测，不太适合更新频繁的知识。好处是应用层面会更简单。
以前面的例子来说明微调和RAG的区别：
如果大模型是一个优秀学生，正在参加一门考试，但是这门考试中有很多知识是这位学生没有学习过的，现在使用RAG和微调两种方法对这位学生提供帮助。
* RAG：在考试时给他提供某个领域的参考书，要求他现学现用，自己翻书理解后给出答案。
* 模型微调：在考试前一天对他进行突击辅导，使他掌握了新的领域知识，然后让他参加考试。
无法确切地说在什么场景中必须使用RAG、在什么场景中必须使用微调。结合当前的一些研究及普遍的测试结果，可以认为，以下场景中更适合考虑微调的方案（在不考虑成本的前提下）：
（1）需要注入较大数据量且相对稳定、迭代周期较长的领域知识；需要形成一个相对通用的领域大模型用于对外服务或者运营。
（2）执行需要极高准确率的部分关键任务，且其他手段无法满足要求，此时需要通过高效微调甚至全量微调来提高对这些任务的输出精度，比如医疗诊断。
（3）在采用提示工程、RAG等技术后，无法达到需要的指令理解准确、输出稳定或其他业务目标。
在除此之外的很多场景中，可以优先考虑使用RAG来增强大模型生成。当然，在实际条件允许的前提下，两者的融合应用或许是未来更佳的选择。
05
初步认识RAG架构
最后，我们从技术层来看一个最基础、最常见的RAG应用的逻辑架构与流程。
注意：在这张图中仅展示了一个最小粒度的RAG应用的基础原理。通常情况下，可以把一个简单的RAG应用从整体上分为数据索引（Indexing）与数据查询（Query）两个大的阶段，而在每个阶段都包含不同的处理环节。
以上面的举例来解释：
索引阶段就是编写考试时需要的参考书，这本书要容易快速查找特定知识。
查询阶段就是考试时使用这本书的过程，先查找参考资料，然后解答问题。
在实际RAG应用中，对于不同的应用场景、客观条件、工程要求，会有更多的模块、架构与流程的优化设计，以应对众多的技术细节与挑战。
比如，自然语言表达的输入问题可能千变万化，你从哪里检索对应的外部知识？你需要用怎样的索引来查询外部知识？你怎样确保补充的外部知识是回答这个问题最需要的呢？
就像上面例子中的学生，如果考试的知识点是英语语法，你却给他一本《微积分》，那显然是于事无补的。
诸如这一类的问题，都属于更深入的高级RAG模块与优化的范畴，感兴趣的同学可以自行学习。这里，我们推荐一本非常全面的RAG应用的学习书籍：
