# RAG（检索增强生成）
### RAG 的概念
\
以向量检索为核心，RAG 架构已成为解决大型模型面临的两个主要挑战的领先技术框架：获取最新的外部知识和减轻生成幻觉的问题。这种架构在众多实际应用场景中得到了广泛实施。
开发者可以利用这一技术以成本效益高的方式构建 AI 驱动的客服机器人、企业知识库、AI 搜索引擎等。这些系统通过自然语言输入与各种形式的组织知识进行交互。以下是 RAG 应用的一个代表性示例：
在下图中，当用户询问“美国总统是谁？”时，系统并不会直接将问题转交给大型模型以获取答案。相反，它首先在知识库（如图中所示的维基百科）中对用户的查询进行向量检索。系统通过语义相似性匹配找到相关内容（例如，“拜登是现任美国第 46 任总统……”），然后将用户的问题和找到的知识提供给大型模型。这为模型提供了足够且完整的知识，以回答该问题，从而产生更可靠的响应。
### 为什么重要?
我们可以将大型模型比作一位在各种人类领域知识渊博的超级专家。然而，这位专家也有其局限性；例如，它不了解你的具体情况，因为这类信息是私密的，并且在互联网上并不公开，因此它事先没有机会学习这些内容。
当你想雇用这位超级专家作为你的家庭财务顾问时，你需要允许他们查看你的投资记录、家庭开支和其他相关数据，才能在回答你的询问时提供专业建议。这使得他们能够根据你的具体情况提供量身定制的建议。
**这就是 RAG 系统的作用：它帮助大型模型暂时获取它所缺乏的外部知识，使其在回答问题之前能够进行检索。**
基于这个例子，RAG 系统最关键的方面是检索外部知识。专家提供专业财务建议的能力取决于准确找到必要的信息。如果专家检索到与财务投资无关的信息，比如家庭减肥计划，即使是最有能力的专家也会显得无能为力。
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://docs.din.lol/din-cook-data-for-ai/chinese/din-cao-zuo-yu-jie-shao/comprehensive-network-architecture/fu-wu-ceng-ai-dai-li-gong-ju-bao/rag-jian-suo-zeng-qiang-sheng-cheng.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.