随着越来越多的组织开始利用生成人工智能（genAI）工具来处理大量非结构化数据和资产，能够在AI生成过程中找到最相关的内容变得至关重要。
检索增强生成，简称为“RAG”，是一种技术，通过整合外部知识库，增强genAI模型，使其能够更精确地响应查询。
大型语言模型（LLMs）是genAI技术的基础，它们预先在大量未标记或非结构化数据上进行训练。然而，当这些模型部署时，它们所依赖的数据可能已经过时，并且不适用于特定任务。
RAG通过引用外部知识库改进LLMs，从而提高了生成输出的准确性和上下文性。这种方法允许genAI访问相关的外部信息，包括专有数据源，丰富其知识库并减少不准确性。
最初由Patrick Lewis于2020年提出，RAG利用搜索功能检索相关数据，然后将其整合到genAI模型中，以确保输出基于事实信息。
RAG可以检索公共互联网数据和来自私有知识库的信息，为其应用提供了多样性。通过减少“幻觉”并整合事实输入，RAG最小化了genAI结果的不准确风险。
包括Vectara、OpenAI、Microsoft Azure Search、Google Vertex AI、LangChain、LlamaIndex和Databricks在内的几家供应商提供了基于RAG的解决方案，供开发人员构建围绕LLMs的应用程序使用。
通过利用RAG，组织可以提高数据驱动任务的生产力和准确性，同时降低将受版权保护的材料纳入genAI响应中所带来的风险。
预计企业将进一步采用向量数据库，这对于将基础模型与相关业务数据联系起来至关重要。这些数据库能够有效地存储和管理高维向量数据，支持各种genAI应用场景，例如产品推荐、欺诈检测和问答应用程序。
总之，RAG赋予了组织充分利用genAI技术的能力，确保输出基于事实信息，从而推动生产力，并最大程度地减少与数据整合相关的风险。
