大模型RAG技术入门到精通（二）：RAG的工作原理、流程及架构

二、RAG的原理、流程及架构

1、RAG工作原理是什么？

大型语言模型（LLM）面临两个问题，第一个问题是LLM会产生幻觉，第二个是LLM的知识中断。

1. 知识截止：当 LLM 返回的信息与模型的训练数据相比过时时。每个基础模型都有知识截止，这意味着其知识仅限于训练时可用的数据。
2. 幻觉：当模型自信地做出错误反应时，就会发生幻觉。

检索增强生成 (RAG) 摆脱了知识限制，整合了外部数据，从外部知识库中检索相关信息，增强模型的生成能力。

2、RAG工作流程是什么？

通过检索增强技术，将用户查询与索引知识融合，利用大语言模型生成准确回答。

1. 知识准备：收集并转换知识文档为文本数据，进行预处理和索引。
2. 嵌入与索引：使用嵌入模型将文本转换为向量，并存储在向量数据库中。
3. 查询检索：用户查询转换为向量，从数据库中检索相关知识。
4. 提示增强：结合检索结果构建增强提示模版。
5. 生成回答：大语言模型根据增强模版生成准确回答。

3、RAG技术架构是什么？

RAG技术架构主要由两个核心模块组成，检索模块（Retriever）和生成模块（Generator）。

1）检索模块（Retriever）：

• 文本嵌入：使用预训练的文本嵌入模型（如GLM）将查询和文档转换成向量表示，以便在向量空间中进行相似度计算。
• 向量搜索：利用高效的向量搜索技术（如FAISS、Milvus等向量数据库）在向量空间中检索与查询向量最相似的文档或段落。
• 双塔模型：检索模块常采用双塔模型（Dual-Encoder）进行高效的向量化检索。双塔模型由两个独立的编码器组成，一个用于编码查询，另一个用于编码文档。这两个编码器将查询和文档映射到相同的向量空间中，以便进行相似度计算。

2）生成模块（Generator）：

• 强大的生成模型：生成模块通常使用在大规模数据上预训练的生成模型（如GLM），这些模型在生成自然语言文本方面表现出色。
• 上下文融合：生成模块将检索到的相关文档与原始查询合并，形成更丰富的上下文信息，作为生成模型的输入。
• 生成过程：生成模型根据输入的上下文信息，生成连贯、准确且信息丰富的回答或文本。

结合高效的检索模块（Retriever）与强大的生成模型（Generator），实现基于外部知识增强的自然语言生成能力。

---