RAG检索增强生成——也是很多人理解的本地知识库，但RAG和本地知识库还是有很大区别的；但这不是今天讨论的重点，重点是为什么会有RAG技术，以及RAG技术解决了哪些问题？ 

大模型存在的几个主要问题，知识的局限性 实时性和幻觉问题 以及隐私数据

RAG并不能完全解决幻觉问题，但可以减少幻觉的发生

in context learning 语境学习/上下文学习

RAG与大模型

想知道为什么会有RAG技术，首先要知道大模型的几个缺陷。

大模型主要有以下几个问题：

知识的局限性

知识的实时性

大模型的幻觉

目前的大模型都是基于预训练模式，也就是说设计出来的模型需要经过大量数据训练之后才能够使用；但预训练有一个很严重的缺点就是，训练的数据都是之前，大模型无法获取训练数据之后的信息。

比如说，昨天训练了一个新的模型，那这个模型就不可能知道今天发生了哪些事情；所以模型的知识是截止到其训练数据收集的那一天。而这就是大模型知识的实时性问题。

其次是知识的局限性，大模型预训练的数据基本上来自于互联网中；但互联网中只有很小一部分数据是公开的，大部分数据都是不公开的；因此，训练模型就很难获取到这些不公开的数据，因此大模型的知识是有局限的。

这也是为什么，在问到大模型一些比较专业的问题时，大模型只能泛泛而谈，而无法给出一个详细的答案；原因就是因为它自己也不知道。

最后就是大模型的幻觉问题，幻觉问题其实也可以理解为一种特殊的知识局限性；那就是大模型在遇到一些不懂的问题时，它会根据自己的经验，然后一本正经的胡说八道。

这就是大模型的幻觉问题，产生幻觉问题的原因有很多，知识不足只是其中的一个原因而且也不是本质上的原因。众所周知，大模型的本质是一种数学模型，其是用概率和高维向量之间的运算来得到具体的结果。

但不论是概率还是向量之间的运算，都无法保证绝对的正确性，因此这就导致大模型会出现一本正经的胡说八道的现象，也就是幻觉的问题。

还有一个问题就是，数据的隐私性问题，比如说公司内部的经营数据，财务数据和科研数据等；这都属于公司的绝密信息，因此一般不能直接用来进行大模型的训练；但有时候又需要大模型使用这些隐私数据。

所以，为了解决以上问题业内就提出了一种补偿措施，那就是RAG技术。RAG技术主要包括两个方面，检索与生成；所谓的检索就是在向大模型提问之前，先从外部资料中检索到相关的资料，然后一起带给大模型；大模型就可以根据这些资料进行更加精准的回答。

而大模型使用RAG技术的原理就是In Context Learning(语义学习/上下文学习)技术；本质上来说就是一种提示词技术，通过RAG技术从外部资料中检索到数据之后，把这些数据当做上下文拼接到提示词中，然后大模型就可以理解这些提示词，然后做出正确的回答。

不过RAG技术虽然能够解决大模型以上的几个问题，但并不是完全解决；主要依赖于以下几个方面：

embedding模型

外部资料的质量问题

检索的准确性问题

大模型的质量问题

后面两个应该很好理解，主要就是embedding模型，所谓的embedding模型就是，RAG的检索并不是传统的数据库方式的字符匹配，而是基于向量模型的语义匹配的方式。

因此，就需要一种方式把资料从文本/视频/语音等多种格式的数据转化为向量模式，而这个就是embedding模型的作用；而embedding模型本质上也是一个大模型。

还有就是，大模型并没有解决幻觉问题，只是减少了幻觉的发生；以目前的技术来看，大模型幻觉问题还无法彻底解决，只能尽量地减少。

所以，一个好的RAG系统，不但需要一个好的大模型和embedding模型，更重要的是要有一个强大的检索系统；能够更加高效和准确地检索到准确的数据。

否则，就像你拿着一个错误的复习资料，即使你成绩再好，你又能考多少分。