检索增强生成 (RAG)
Prerequisites
概述
检索增强生成（RAG）是一种强大的技术，通过将语言模型与外部知识库结合，增强了它们的能力。 RAG解决了模型的一个关键限制：模型依赖于固定的训练数据集，这可能导致信息过时或不完整。 当给定一个查询时，RAG系统首先在知识库中搜索相关信息。 然后，系统将这些检索到的信息整合到模型的提示中。 模型使用提供的上下文生成对查询的响应。 通过在庞大的语言模型和动态、有针对性的信息检索之间架起桥梁，RAG是构建更强大、更可靠的AI系统的一种强大技术。
关键概念
(1) 检索系统: 从知识库中检索相关信息。
(2) 添加外部知识: 将检索到的信息传递给模型。
检索系统
模型具有内部知识，这些知识通常是固定的，或者由于训练成本高而不经常更新。这限制了它们回答有关当前事件的问题或提供特定领域知识的能力。为了解决这个问题，有各种知识注入技术，如微调或继续预训练。这两种方法都是昂贵的，并且通常不适合事实检索。使用检索系统提供了几个优势：
- 最新信息: RAG 可以访问并利用最新数据，保持响应内容的最新性。
- 领域专业知识：借助特定领域的知识库，RAG 可以在特定领域提供答案。
- 减少幻觉：将响应基于检索到的事实有助于减少虚假或虚构的信息。
- 成本效益高的知识整合: RAG 提供了一种比昂贵的模型微调更高效的替代方案。
Further reading
请参阅我们关于检索的概念指南。
添加外部知识
有了检索系统后，我们需要将知识从该系统传递给模型。 RAG管道通常通过以下步骤实现这一点：
- 接收一个输入查询。
- 使用检索系统根据查询搜索相关信息。
- 将检索到的信息整合到发送给LLM的提示中。
- 生成一个利用检索到的上下文的响应。
作为一个例子，这里有一个简单的RAG工作流程，它将信息从检索器传递到聊天模型：
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
# Define a system prompt that tells the model how to use the retrieved context
system_prompt = """You are an assistant for question-answering tasks.
Use the following pieces of retrieved context to answer the question.
If you don't know the answer, just say that you don't know.
Use three sentences maximum and keep the answer concise.
Context: {context}:"""
# Define a question
question = """What are the main components of an LLM-powered autonomous agent system?"""
# Retrieve relevant documents
docs = retriever.invoke(question)
# Combine the documents into a single string
docs_text = "".join(d.page_content for d in docs)
# Populate the system prompt with the retrieved context
system_prompt_fmt = system_prompt.format(context=docs_text)
# Create a model
model = ChatOpenAI(model="gpt-4o", temperature=0)
# Generate a response
questions = model.invoke([SystemMessage(content=system_prompt_fmt),
HumanMessage(content=question)])