1. 有趣的是，RAG的发展轨迹与提示工程（prompt engineering）非常相似。RAG 最初是一个简单而有效的概念，其核心是在提示（prompt）中注入相关的背景信息。
2. RAG 的主要目标是充分利用大语言模型 (LLM) 的语境学习能力（ICL）。
3. 目前，RAG 正被赋予更复杂的机制与更高的效率。并非所有情况下都默认进行检索，系统会先经过一个筛选流程来判断 LLM 是否可以独立完成用户请求。
4. 效率和准确性之间的权衡始终存在。以效率为代价的准确性会损害用户体验和实际的应用价值；而牺牲准确性的效率会导致结果的误导性与不准确性。
5. 对用户输入进行筛选，以此决定是直接依靠 LLM 进行推断（inference）还是通过 RAG 注入提示，这一过程需要一个参照物。在 SELF-RAG 的情况下，它是利用基于自反机制（self-reflection）微调过的LLM 来做参照的。
6. RAG 筛选的原理可以有多种实现形式。最重要的是一个决策参照，用以判断是直接从 LLM 推断问题答案，还是使用 RAG。并且在使用 RAG 的情况下，能进一步评估响应的质量和正确性。
7. 基于生成式 AI 的应用程序还可以更广泛地考虑筛选流程... 除了直接推断或 RAG 之外，还有其他人机协作、网络搜索、多 LLM 协调等选项。

SELF-RAG 框架可以训练出一个通用的语言模型，使其能够按需自适应地检索段落。

该模型会借助被称为 “自反令牌”（reflection tokens）的特殊标记，来生成和反思所检索的段落以及自身生成的内容。

自反令牌

自反令牌分为 “检索” 和 “批判” 两类，分别表示检索需求和生成质量。

SELF-RAG 使用自反令牌来确定是否需要检索，并对所生成内容的质量进行自我评估。

生成自反令牌使得语言模型在推理阶段具备可控性，让其能够根据不同的任务需求调整自身行为表现。

研究表明，SELF-RAG 显着优于标准的大语言模型 (LLMs) 和 RAG 方法。

SELF-RAG 的运作步骤

1. 大语言模型（LLM）在检索到的段落指导下生成文本。
2. 通过学习生成特殊标记的方式来批判输出结果。
3. 这些自反令牌标示了检索的需求，或是确认输出结果的相关性、论据支持、或完整性。
4. 相比之下，常见的 RAG 方法不加区别地检索段落，无法确保所引用来源的可靠性。

考虑到下图... SELF-RAG 学习检索、批判和生成文本段落，以提升整体生成质量、真实性和可验证性。

额外的推断与成本

SELF-RAG 会在推断方面引入更多的开销。参考上图，这种自反式的 RAG 方法会引入更多的推断点。

首先会执行一次推断，然后并行执行三次推断。接着，对这三个结果进行比较，并选出一个“优胜者”用于 RAG 推断。

超出领域范围

同样在上图中可以看出，对于领域外的查询，会被识别出来，请求不会通过检索来处理，而是直接发送到 LLM 推断。

Agentic RAG

再参考下面这张图，一个问题值得思考...

随着 RAG 过程复杂性的增加，我们是否正在接近这样一个点：基于智能体（agent）的 RAG 方法将会是最优选择？这种方法在 LlamaIndex 中被称为“Agentic RAG”（Agentic RAG）。