近年来，检索增强生成（RAG）技术重新定义了AI模型的工作方式，将生成式AI的创作能力与检索真实世界数据的精确性结合在一起。通过从外部数据源提取相关信息，RAG 使AI能够生成更加准确且上下文相关的响应。
随着这项技术的不断发展，RAG 也衍生出多种变体，每种变体针对不同的挑战，进一步提升了AI的整体性能。在本文中，我将深入探讨六种关键的RAG技术，重点说明它们如何通过各自独特的方法提升AI生成内容的质量。
Simple RAG
在 Simple RAG 中，LLM 接收用户查询，在向量存储中执行相似性搜索或在知识图谱中执行关系搜索，然后根据检索到的信息生成响应。
以下是它的工作原理：
用户查询：用户提供查询或输入，并将其输入到系统的检索部分。
搜索与检索：模型在向量存储或知识图谱中搜索相关文档或文本，检索器根据相关性对文档进行排名，并选择前 k（例如前 5）个最相关的段落。
响应：所选的文档将传递给大型语言模型（LLM），后者利用这些文档作为上下文，为用户的查询生成格式正确且相关的响应。
Corrective RAG
在 Corrective RAG 中，系统不仅检索和生成响应，还验证和纠正它们。
以下是该过程的工作原理：
搜索和检索：与 Simple RAG 类似，系统根据查询检索相关文档。
评分：将检索到的上下文与受信任的数据集（如测试集或具有预定义规则的提示）进行比较。此步骤的方法会根据项目目标的不同而有所变化。
更正：如果在评分过程中发现任何不准确或不一致之处，模型将通过从查询中提取的关键字进行 Web 搜索，以生成新的响应或优化之前的响应。
Self RAG
自我 RAG 通过自我反思或自我批评来提高 RAG 结果的质量。
以下是该过程的工作原理：
搜索和检索：模型首先通过输入的查询检索相关信息，并生成响应。
评分：为了对文档进行评分或评估，LLM 会对每个答案进行分析，判断其是否与查询相关。如果文档不相关，模型将使用外部来源；如果相关，模型会检查幻觉现象和准确性。
幻觉检查：幻觉节点会检查答案是否有文档支持。有时，AI 模型会“产生幻觉”，即生成看似正确但实际上没有真实数据或文档支持的答案。幻觉节点通过确保模型的响应有文档支持来避免这种情况，确保答案的准确性和可靠性。
回答问题：回答问题节点会检查生成的答案是否确实回答了问题。它会查看生成的响应，检查其在回答原始问题时是否相关且完整。如果不符合要求，模型会改进或调整答案，以确保其准确性。
输出：随着每次迭代，模型生成的响应会更加准确且符合上下文。迭代次数取决于项目规模和可用的处理能力。
