💻 介绍 RAG — 检索和生成的 GenAI 系统简介

检索增强生成技术（RAG） 正在改变我们使用生成式AI处理信息的方式——无论是个人还是团队。在这本指南里，我们会告诉您RAG是怎么运作的，也会解释它的优点和应用场景，帮助您的团队保持信息灵通和高效工作。

往下看，你会发现：

1. 什么是RAG？ 它是您数据的ChatGPT
2. 如何使用RAG？ 如何与个人和公司的知识一起使用它？
3. RAG有什么优势？ 它比纯LLM表现得更好
4. RAG系统是如何工作的？ 它是如何结合检索和生成的？

5. 我如何为自己/我的团队获取RAG？ 可以通过Curiosity获取，或者自己搭建

   zh: 让我们直接开始吧！

好奇：您的个人和团队知识的AI助理

检索增强生成模型（RAG模型） 是一个知识系统，可以为你的公司提供一个个性化的ChatGPT助手，使所需知识的查找和使用更加便捷。它可以帮助你快速高效地处理大量信息。

RAG系统运行分为两步

1. 检索： 系统会从您的数据中挖掘出有用的信息片段。
2. 生成： 生成AI模型利用这些信息生成清晰准确的答案。

Bonus: RAG和LLM之间的区别是什么？

大型语言模型（LLM）用于生成文本（例如用于ChatGPT）。RAG结合了两个系统：一是从数据源检索信息，二是使用LLM生成响应。LLM是RAG系统的一部分（当然它们也用于其他用途，例如其他类型的对话系统）。

对于个人来说，RAG就像一个AI助手，它能高效地搜索你的个人信息来回答问题，或者帮助你写定制化的邮件和摘要。

在团队中，RAG 成为管理共享知识的宝贵资产，整合不同来源的数据，为团队提供快速洞察，对常见问题提供一致的答案或回应，并帮助新成员获取知识。

带有 RAG 功能的 AI 助手在 Curiosity 桌面应用中

RAG系统非常灵活，无论是个人还是整个团队都能找到适合自己的使用方式。

• 问答：RAG 模型在回答问题时表现出色，可以从相关来源获取必要的细节，并给出清晰、有信息量的回答，同时引用信息的来源。
• 文档摘要：面对冗长的文档，RAG 能够识别主要观点，并将其提炼成简短易懂的摘要。
• 内容生成：在撰写文章或报告时，RAG 可帮助将来自各种来源的相关信息整合成连贯的文本，甚至可以用它来写邮件。

这些示例只是触及了RAG可能实现的表面。随着人们继续实验和创新，更多的应用不断涌现，扩展了我们使用这项技术的方法和途径。

3. RAG到底有哪些好处呢？

每个人都想要一个“属于自己的数据的ChatGPT”，但仅靠这些大规模的语言模型来构建可靠的系统是具有挑战性的。RAG通过为这些模型提供额外信息来帮助增强它们，这使得它们能够提供上下文相关的回答，这些回答比纯生成模型的表现更好。

在知识系统方面，RAG 比没有辅助的 LLM 系统具有几个显著的优势：

• 准确性：RAG减少了“错觉”，即LLM可能会提供看似合理但实际上错误的信息。它通过将LLM的响应“固定”在从您团队的数据源中检索到的准确数据上，以生成可靠的响应。
• 透明度：好的RAG系统可以提供参考，让用户检查信息的来源，从而增加对答案的信任和责任感。
• 个性化：RAG系统可以使用来自您公司或行业的特定数据（例如命名约定），使其更灵活，并符合您的特定需求。

语音文件和来源引用在Curiosity桌面应用中

RAG系统结合了两个组件：查找和生成。

检索: 当用户输入提示时，检索部分的任务是找到相关的信息。它根据用户的提示在知识库（例如文本语料库、知识图谱或数据库）中搜索，以找到最相关的资料。

有很多检索方法，但通常使用“向量搜索”（aka “语义搜索”）来匹配信息与用户提示，但也有许多其他选择。有时也会用大型语言模型来辅助设置向量搜索，但这不是必须的。

RAG是如何工作的（RAG的全称是什么）

生成: 一旦信息被检索到，大模型就会开始生成内容。它会根据用户的问题或指令尝试作出回应，并基于这些找到的资料（也就是所谓的“上下文”）。简单来说，大模型的任务是“用这些文档来回答用户的问题”。

那么你如何让你的数据实现RAG以提高生产力呢？如果你是一名开发者，你可以自己从头开始构建一个系统——有很多分步指南可以参考（例如这里或这里）。或者，你可以试试Curiosity。

• 个人：对于个人用户，Curiosity Desktop App 提供了 RAG 功能，如总结、与文档对话，即将推出的文件夹对话功能。它的设计目的是提高个人的工作流程和个人效率。
• 团队：对于公司，Curiosity Workspaces 预装了 RAG 系统，帮助团队更好地共享知识。这些系统可以进一步定制以满足团队的具体需求，帮助团队更有效地工作。

好奇心网站

好奇心的关键好处在于它有一个即插即用的系统，可以与您的数据源集成，并且确保数据的安全性。它还能高效地处理大型数据集。并且，它甚至让您能够选择最适合您需求的大型语言模型，而不必使用括号中的英文缩写。

如果你对尝试使用好奇性进行RAG感兴趣，下载应用 或了解团队专属空间更多信息，联系我们。

如果你对RAG模型和LLMs感兴趣，想了解更多：

• RAG：从理论到LangChain实现 | 由 Leonie Monigatti

• 检索增强生成：是什么、为什么和如何操作？

• 检索增强生成：让LLM保持相关性和时效性

好奇心：您的个人和团队知识的AI助手。