引言
如今，生成式 AI （Generative AI）的应用雨后春笋的涌现出来，让人应接不暇。而大型语言模型（LLM，Large Language Model） ，随着 ChatGPT 的发布而变得异常火热，是生成式 AI 应用的一个典型。但是，LLM 存在缺陷。其中一个比较大的问题在于幻觉（Hallucination） ：对于不熟悉的问题，LLM 会瞎编乱造，编造出看似专业却没有任何事实依据的答案。而为了解决这个问题，很多基于 AI 的知识问答系统采用了检索增强生成（RAG） 技术，从而让 LLM 能够做出基于事实的回答，从而消除幻觉。本篇文章将简单介绍 RAG 是如何在知识问答系统中发挥作用的。
LLM
要理解 RAG，我们首先需要简单理解一下 LLM。其实，LLM 在大量的参数训练下，已经可以完成很多难以置信的 NLP 任务，例如问答、写作、翻译、代码理解等等。但是，由于 LLM 的“记忆”停留在预训练时刻，肯定会存在它不知道的知识和问题。例如，OpenAI 开发的 ChatGPT 就不能回答 2021 年 9 月之后的问题。此外，由于幻觉的存在，LLM 会显得很有想象力且缺乏事实依据。因此，我们可以将 LLM 比做一个知识渊博且全能的智者，可以干很多事情，但却失忆了，记忆只停留在某一时间之前，而且不能形成新的记忆。
而为了让这个智者能够在现代试题考试中得到高分，我们该怎么做呢？答案就是 RAG。
RAG
RAG 并不是新技术。早在 2020 年 5 月，LLM 还没有普及的时候，RAG 模型就被提了出来，被用作处理知识密集的 NLP 任务。而如今，RAG 已经成为知识问答、文档检索等基于 AI 技术的应用中非常重要的技术。
回到之前的问题，如果想让 LLM 考试中得到高分，我们该如何做呢？RAG 又是什么原理呢？其实答案很简单，就是我们在 LLM 遇到新问题的时候，我们将教科书中跟问题相关的章节拿出来给 LLM 看，LLM 看到后会根据自己的理解加上相关章节内容结合得出答案。而这个生成的答案会基于事实（教科书），不再是胡说八道。没错，这就跟开卷考试一模一样！而这就是 RAG 的原理。
下图是典型知识问答的流程图。当一个问题（Query）来的时候，系统会从知识库（Knowledge Base）中提取相关的上下文（Relevant Context），再将问题和上下文一并喂给 LLM，让 LLM 自行判断并回答该问题，生成响应（Response）。
嵌入
我们介绍了 LLM 以及 RAG 的简单工作原理，但我们应该如何从知识库中提取相关上下文的呢？这背后的技术就是嵌入（Embedding） 。嵌入听起来比较专业，但我们也可以比较形象的进行理解。这就好比我们提前将教科书（知识库）的每个章节或每个段落做了索引（Indexing） ，也就是用各种颜色和记号标记出来。当我们需要回答问题的时候，就从标记好的索引中找出相关的章节段落，再把其抽出来做回答就可以了。是不是很简单？
当然，嵌入技术的本质其实还是将非结构化数据（例如文字）转化为结构化数据（数值矩阵）。而结构化数据正是计算机能够处理和理解的。不光是文字，图片、视频、音频等都可以通过嵌入技术转化为计算机能够理解的结构化数据，而这也是图片搜索引擎的基础原理。
下图是输入文字与输出数值矩阵表示的示意图。
总结
我们通过简单的比喻，将 LLM 比做知识渊博但新记忆缺失的智者，RAG 比做开卷考试，嵌入比做教科书记号，生动形象的阐述了基于生成式 AI 技术的知识问答系统的核心技术。而笔者的智能阅读助手思阅（SRead）也正是基于这样的技术框架，能够让 AI 能够阅读并帮助读者回答与文章、论文、书本相关的问题。希望本文能够让读者对生成式 AI 技术有进一步了解。
社区
如果您对笔者的文章感兴趣，可以加笔者微信 tikazyq1 并注明 "码之道"，笔者会将你拉入 "码之道" 交流群。
智能阅读助手思阅（SRead）上线啦，内测地址: sread.ai，欢迎试用。
