浅谈RAG

RAG是权衡LLM的发散性与其准确性而诞生的产物

为何存在

RAG（Retrieval-Augmented Generation，检索增强生成）

诞生： 解决基础LLM的三个核心短板：

1. 知识固化： 训练数据固定，无法动态更新知识，导致的知识时效性问题。
2. 知识不足： 对冷门、专业领域、机密等特性的知识掌握有限。
3. 事实幻觉： 生成看似合理但完全虚构的内容，比之更头疼的是混杂性幻觉。

价值： 低成本控制基础LLM：

1. 数据可控： 将私有数据纳入检索库，避免敏感数据泄露给第三方基础模型。
2. 引用追溯： 生成的答案附带检索到的参考文档，方便验证可信度与追溯来源。
3. 成本效益： 相比微调大模型，RAG成本降低80%。
4. 秒级更新： 允许秒级更新知识(股票、价格)，而LLM微调需小时级耗时。

设计思想

RAG架构更像一位“学者”，在模仿人类认知双系统（快思考/慢思考）。先查阅文献，再写论文，而非仅凭记忆吃老本。

RAG的本质是将信息检索与文本生成结合，通过动态注入外部知识来增强LLM的能力。其核心逻辑是：

• 检索阶段：从海量私有数据中精准筛选与问题相关的片段。
• 生成阶段：LLM基于检索结果生成答案。

技术实现

RAG技术架构图

RAG技术架构图

1. 准备阶段
   1. 数据准备： 将私有准备的各类型数据利用分块技术进行切分。
   2. 数据向量化： 用嵌入模型将分块向量化。
   3. 数据落盘： 向量存入向量数据库，建立高效检索索引。
2. 检索阶段
   1. 用户输入问题 → 转换为Embedding → 在向量库中搜索Top-K相似片段。
   2. 结合多模块检索、多跳检索、重排序、BM25等技术，提升召回的准确率。
3. 生成阶段
   1. 将检索到的文档片段作为上下文，与用户问题一起输入LLM。
   2. 调优Prompt限制LLM发散性提高准确性。

企业落地

• 三甲医院：智能医患问答系统
  • 实施方： 深圳市第三人民医院
  • 方案： DeepSeek+RAG动态增强系统，知识来源300万条临床数据与52万字院内指南
  • 效果： 患者满意度97%，节省医生73小时/月（截至2025年2月）
  • 来源： 深圳三院AI健康管家搭载DeepSeek，秒级响应守护您的健康
• 测绘院：实景三维知识库
  • 实施方： 湖南省自然资源厅直属单位
  • 方案： 基于DeepSeek大模型+RAG构建专业地理信息知识库
  • 效果： 提升测绘数据语义化检索效率，支持智能解析
  • 来源： 省第一测绘院开展实景三维知识库建设与应用培训 - 湖南省自然资源厅
• 华夏银行：数字金融风控系统
  • 实施方：全国性股份制商业银行
  • 方案：RAG+Agent技术实现企业注销风险预测模型
  • 效果：自动化构建判别式AI模型，提升风控效率
  • 来源：华夏银行吴永飞等：大语言模型打开银行数字金融发展新思路

未来思考

既然开头说了是权衡的产物，那么发散性与准确性的平衡被打破时，RAG必将面临一个退位局面。

当LLM或者说另一种新的M突破知识固化与幻觉瓶颈时，RAG的“检索增强”功能可能逐渐隐入幕后，很多维护的LLM增强型RAG可能失去其存在的意义。

当然我没看空RAG，秒级更新与数据可控是无法替代。

在我看来未来王者退位，但荣光依旧。RAG不再以“独立技术”存在，但其设计思想会融入LLM架构，形成更智能的自我检索机制，成为LLM的“标准”之一。RAG不是过渡技术，而是人机协作的范式，RAG永远是LLM的移动硬盘。