RAG（Retrieval-Augmented Generation，检索增强生成）是当前最流行的基于大模型的系统架构，很多大模型应用几乎完全基于RAG构建。RAG的本质是在大模型交互之前提前进行搜索，召回正确的上下文给到大模型，决定了大模型生成的天花板。
RAG方法使用搜索引擎来快速定位和检索构建提示所需的任何信息，具体流程如下：
· 使用大模型来重构原始的用户提示，使其与后续步骤中搜索引擎所要求的格式兼容；
· 根据重构后的提示进行搜索，这种搜索可以基于多种知识表示或方法，包括知识图谱、向量数据库等；
· 将大模型用于总结修改过的提示中包含的信息，并生成流畅的、类似人类语言的回复；
· 在最终用户看到由大模型生成的响应之前，“响应验证”会对其准确性和安全性进行监控和检查。
当前，从使用场景上看，RAG主要使用的场景有两种——聊天机器人和智能检索。其中聊天机器人是会话场景、一问一答聊天交互，而智能检索更像是copilot场景，基于搜索结果进一步解读和分析，辅助工作场景。智能检索相较于chatbot对大模型幻觉问题的容忍程度更高。
沙丘智库长期跟踪调研大模型技术的发展，旨在帮助企业快速了解大模型最新、最全面的落地情况。沙丘智库通过研究火山引擎、阿里云、字节跳动、哔哩哔哩、蚂蚁集团基于“大模型+RAG”的智能问答系统建设实践，旨在为其他企业提供参考。
▎案例1：火山引擎基于大模型的智能问答实践
火山引擎基于RAG技术实现智能问答，RAG通过从外部知识源动态检索信息，并使用检索到的数据作为组织答案的参考，显著提高响应的准确性和相关性，有效解决大模型中存在的幻觉问题。
RAG方案实现的核心在于两点，一是在检索阶段做到比较高的topk召回率，分为两路召回，一路是通过倒排索引检索召回，另一路是通过向量化方式召回，两路召回需要混排；二是支持比较大的context window，并能从较多相关信息中总结出正确答案。
完整内容：火山引擎基于大模型的智能问答实践
▎案例2：阿里云基于RAG的智能问答实践
阿里云通过RAG技术，解决了智能问答中遇到的幻觉问题、知识更新缓慢、隐私数据泄露和高昂的训练成本等挑战。RAG方案通过外挂知识库提供可靠知识，优化了知识检索和答案生成流程，提高了智能问答的准确性和效率。▎案例3：字节跳动答疑机器人场景大模型实践
研发基建部门日常需要安排答疑值班，回答用户关于基建相关的咨询，字节跳动将研发答疑场景作为切入点，利用大模型构建答疑机器人，并联动研发领域沉淀多年的知识积累，答疑机器人充分利用RAG和FineTuning两种建设思路的优势。
哔哩哔哩通过大模型升级智能客服系统，优化RAG链路和检索机制，提升了对话的时效性和准确性。构建了全面的领域知识库，实现了高效知识检索和准确安全的回答。实践结果显示，智能客服拦截率提升了近30%，显著改善了用户体验。
完整内容：哔哩哔哩智能客服场景大模型实践
蚂蚁集团采用检索增强技术，通过知识库分层构建、复杂文档处理、混合搜索策略和总结模型优化，有效提升了大模型在知识搜索场景中的应用效果，这项技术在企业内部多个场景中得到应用，相比传统搜索，答案获取效率提高了约20%。
完整内容：检索增强在知识搜索场景的应用实践
粤ICP备14082021号
免费POC，
零成本试错
