杭州建设网站制作百度一下首页百度一下

一、引子

我们需要通过一些手段来提升LLM生成内容质量，主要的有下面三项，本文将主要介绍RAG。

1. 提示工程（Prompt Engineering）

         通过精心设计的提示（Prompt）来提升输出的质量

2. 模型微调（Fine-tune）

        模型微调是指在已有的预训练模型（比如GPT-4o、Llama 3.3等）基础上，使用特定的数据集进行二次训练，以调整模型参数，使其能够在特定领域的任务上表现更好。

3. 检索增强生成（Retrieval-Augmented Generation，RAG）

          检索增强生成是一种利用信息检索来优化LLM输出的技术，通过在生成结果之前引用训练数据之外的知识库，丰富了上下文，从而增强生成内容的准确性。RAG的好处既能保证时效性，又能避免高昂的微调成本

RAG的本质就是根据用户查询，从外部知识库（即使更新）中检索相关的知识，随后以附加内容的形式添加到提示中，增强LLM的生成内容。

二、RAG工作流

RAG的工作流分成索引、检索、生成两个阶段。

（一）索引阶段

索引阶段就是将外部知识按照特定的数据结构组织起来，实现更高效的检索。主要有以下几个步骤：

1、文本分块。原始文本往往都有冗长、信息量大等特点，比如一本书，这并不利于高效检索。一方面干扰信息太多，影响检索精度；另一方面检索过程计算开销很大。文本分块可以将长文本切分成多个粒度更细的文本块，能够更准确匹配用户查询意图的同时，计算和存储开销也更小。

2、Embedding。通过Embedding模型将文本块转换成向量（Embedding）。

3、索引。对向量按照特定的数据结构建立索引，比如基于图的HNSW、基于哈希桶的LSH、倒排索引IVF等。

4、存储。将原始向量和索引数据存储起来，可以使用专用的向量数据库，比如Milvus等，也可以使用传统数据库+向量索引插件，比如PostgreSQL+pgvector。

（二）检索阶段

检索阶段就是利用查询去检索相关的文本块的过程，主要有以下2个步骤：

1、Embedding。使用与索引阶段同样的Embedding模型，将原始查询转换成向量。

2、检索。利用向量相似性计算，找到与原始查询最匹配的TopN个相关文本块。

（三）生成阶段

生成阶段首先将相关文本块与原始查询组成新的提示，引导LLM基于相关文本块完成内容的生成。

参考：

快速了解生成式AI

《Generative AI in Action》，Amit Bahree快速了解生成式AI