RAG 详解_retrieve-and-sample: document-level event argument

原文：GitHub - Tongji-KGLLM/RAG-Survey

目录

• RAG调查
  • 什么是RAG？
  • RAG的范式
    • 幼稚的 RAG
    • 高级 RAG
    • 模块化 RAG
  • 如何进行增强？
  • RAG 还是微调？
  • 如何评估 RAG？
  • 前景
    • 严峻的挑战
    • 多式联运扩展
    • RAG的生态系统
• RAG论文清单
  • 增强阶段
    • 预训练
    • 微调
    • 推理
  • 增强源
    • 非结构化数据
    • 结构化数据
    • LLM 生成的内容
  • 增强过程
    • 一次检索
    • 迭代检索
    • 递归检索
    • 自适应检索
  • 杂项
    • 可视化
  • 确认

什么是RAG？

大型语言模型 （LLM） 已成为我们生活和工作不可或缺的一部分，通过其惊人的多功能性和智能性改变了我们与信息交互的方式。

尽管它们的能力令人印象深刻，但它们并非没有缺陷。这些模型会产生误导性的“幻觉”，依赖可能过时的信息，在处理特定知识时效率低下，在专业领域缺乏深度，并且在推理能力方面不足。

在实际应用中，数据需要不断更新以反映最新发展，并且生成的内容必须透明且可追溯，以管理成本并保护数据隐私。因此，仅仅依靠这些“黑匣子”模型是不够的;我们需要更精细的解决方案来满足这些复杂的需求。

在这种背景下，检索增强生成（RAG）作为人工智能时代的开创性趋势而声名鹊起。

RAG在问答中的典型应用。（例如，向 chatGPT 询问 OpenAI 首席执行官 SAM Altman

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/花生_TL007/article/detail/513620