检索增强生成（RAG） Retrieval-Augmented Generation · RAG

结合“搜索 + 大模型”，让回答基于真实文档而非仅靠模型记忆，降低幻觉。

知识库问答语义检索降低幻觉

分类：rag 类型：concept 别名：检索增强

典型流程：

1. 预处理：将文档切片（文档分块（Chunking）），为每段生成向量（向量（Embedding））。
2. 存储：将向量与原文存入向量数据库（如 FAISS/Milvus）。
3. 检索：通过检索器（Retriever）召回相似片段（可用向量检索、BM25 或 混合检索（Hybrid Search））。
4. 重排：用 Reranker 对候选片段做精排，提高证据质量与相关性（可选但常见）。
5. 生成：将“问题 + 检索到的片段”作为上下文，提示大模型作答并引用来源。

优势：增强事实依据、易于按领域扩展、可控性更好；挑战包括检索召回、片段拼接与长上下文成本等。

扩展架构

• 多路检索：结合稀疏检索（BM25）与向量检索，提高召回覆盖率（见 混合检索（Hybrid Search））。
• 查询改写：使用自反思、HyDE 或多轮提问改善查询质量。
• 迭代生成：ReAct-RAG、Self-RAG 等在生成过程中自我验证并追加检索。

工程关注点

• 数据治理：需要定期更新知识库、去除重复和过期内容。
• 评估指标：除答案准确率外，还要关注引用覆盖率、检索召回率与延迟；可参考 RAG 评测 与 Grounding。
• 安全与合规：确保引用内容具备授权，避免泄露敏感数据。

相关词条

• 文档分块（Chunking）、Retriever、Reranker、BM25、混合检索（Hybrid Search）

实践入口

• RAG / AI 搜索指南（可引用清单）
• RAG 评测与回归清单（Checklist）

参考资料

• Lewis et al. “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.” NeurIPS (2020).（提出 RAG 框架并验证在问答任务上的效果）
• Gao et al. “Precise Zero-Shot Dense Retrieval without Relevance Labels.” (2023).（HyDE 方法通过生成假文档改写查询）
• Shinn et al. “Reflexion: Language Agents with Verbal Reinforcement Learning.” (2023).（展示自我反思用于改进检索增强推理）
• Asai et al. “Self-RAG: Learning to Retrieve, Generate, and Critique for Self-Refining Language Models.” (2023).（提出生成过程中自我检索与评估的框架）

打开 GitHub 界面，修改后直接生成 PR