提供值得信任的知识

还是以搜索引擎为例，搜索引擎给我们提供了非常多的信息，但是我们并不能完全的相信它，网页上的很多信息都是过时的，错误的或者是不客观的，发布网页的人并没有义务去保持页面的正确性，很多时候需要我们自己辨别。

之前的搜索引擎采用了一些手段来改善这些问题，比如通过Page Rank来解决网页的权威性问题，通过点赞/点踩来体现答案的有效性。但并没有完全解决这个问题，无论是Page Rank还是点赞点踩都是强调外部的反馈，内容发布者并不会有任何约束。

无论是甄别搜索引擎的结果还是LLM的输出，对于用户来说，都是一种沉重的负担。

RAG提供的是一种带Reference的回答，其Reference是获得用户信任的最主要机制。在内部使用的场景下，Reference的质量如何保证呢，必须要强调对于发布者的约束和要求。依靠内容发布的UGC机制，所有的内容不能以一种中心化的方式进行管理，而是需要由发布者进行负责，内容和人建立关联，点赞点踩所得到的反馈要直接触达到发布者这里，一旦知识内容以一种署名的形式对外发布的时候，发布者必然会尽可能保证知识的准确性和实时性。

除此以外，自动化的知识质量评估或者检查，也是维护知识质量的必要手段，特别是在知识库构建的冷启动阶段。可以通过一些规则性的手段，比如通过文档的观看数、评论数等统计值进行筛选，也可以结合大语言模型，比如通过Prompt的方式让LLM对整篇文章以What—How—Why的形式进行提问，如果出现拒答，那么则认为该篇文档质量不足，可以提示用户优化。

解决了知识库的质量问题以后，RAG系统的使用体验会有明显的改善，只有当知识质量有所保证后，才能开始真正帮助到用户。在质量不足的时候，其他角度都不是正确的优化方向。

自我进化 - 实现更高的使用效率和更广的使用范围

能够自我进化的系统一般都会有更好的使用体验和更大的应用价值。过去几年互联网上有一些典型的例子，比如之前推荐系统的兴起和流行，本质上是分发能力的进化，其实就是利用了用户反馈使得内容分发效率不断提高。另外一方面的例子，是社区app，无论是小红书还是B站他们的崛起， 其实是内容的不断进化，圈层扩大，丰富性提高。

其实RAG也可以从这两个角度来看，从分发上来看，和推荐别无二致。很多人其实都注意到了猜你想问或者是追问推荐这个场景。这个能力不断优化肯定能增强用户的使用体验。这里还可以结合一些前缀索引的技术，实现问题的自动补全，实现更快的知识触达。另外这些方式的比例越高，数据层面也能获得更多的监督信号，促进系统的进化。

从内容进化方面，社区app更多依靠的是机制，设计给予知识提供者奖励的机制是一种终极解决办法。当然除此以外，通过一些技术手段辅助也是非常有效的，比如通过点赞点踩，不断提示内容的owner进行纠正。比如自动分析出被拒答的高频问题，然后分发给该领域的owner提示他们进行补充，这些都是提高内容质量和完整性的有效手段。随着内容不断丰富，RAG的使用范围也会不断扩大，覆盖更多人群，更多角色。