1 大模型知识更新的困境

• 大模型的知识更新是很困难的，主要原因在于：
  • 训练数据集固定,一旦训练完成就很难再通过继续训练来更新其知识
  • 参数量巨大,随时进行fine-tuning需要消耗大量的资源，并且需要相当长的时间
  • LLM的知识是编码在数百亿个参数中的,无法直接查询或编辑其中的知识图谱
• ——>LLM的知识具有静态、封闭和有限的特点。
• ——>为了赋予LLM持续学习和获取新知识的能力,RAG应运而生

2 RAG介绍

• 将大规模语言模型(LLM)与来自外部知识源的检索相结合,以改进大模型的问答能力
• 核心手段是利用外挂于LLM的知识数据库（通常使用向量数据库）存储未在训练数据集中出现的新数据、领域数据等

2.1 RAG 三阶段

• RAG将知识问答分成三个阶段：
  • 索引
    • 事先将文本数据进行处理,通过词嵌入等向量化技术,将文本映射到低维向量空间,并将向量存储到数据库中,构建起可检索的向量索引
  • 知识检索
    • 当输入一个问题时,RAG会对知识库进行检索,找到与问题最相关的一批文档
  • 生成答案
    • RAG会把输入问题及相应的检索结果文档一起提供给LLM,让LLM充分把这些外部知识融入上下文,并生成相应的答案。
    • RAG控制生成长度,避免生成无关内容

3 RAG特点

3.1 优点

• 可以利用大规模外部知识改进LLM的推理能力和事实性
• 第一阶段的知识索引可以随时新增数据，延迟非常低，可以忽略不计。
  • 因此RAG架构理论上能做到知识的实时更新
• 可解释性强，RAG可以通过提示工程等技术，使得LLM生成的答案具有更强的可解释性，从而提高了用户对于答案的信任度和满意度

3.2 缺点

• 知识检索阶段（第二阶段）依赖相似度检索技术，并不是精确检索，因此有可能出现检索到的文档与问题不太相关
• 在第三阶段生产答案时，由于LLM基于检索出来的知识进行总结，从而导致无法应对用户询问知识库之外的问题
• 外部知识库的更新和同步，需要投入大量的人力、物力和时间
• 需要额外的检索组件，增加了架构的复杂度和维护成本

4 RAG可以解决的问题

• 模型幻觉问题
  • LLM文本生成的底层原理是基于概率进行生成的，在没有已知事实作为支撑的情况下，不可避免的会出现一本正经的胡说八道的情况
• 时效性问题
  • 具有一定时效性的数据就可能无法及时参与 训练，造成模型无法直接回答与时效性相关的问题
• 数据安全问题
  • 开源的LLM是没有企业内部数据和用户数据的，如果企业想在保证数据安全的前提下使用LLM，一种比较好的解决办法就是把数据放在本地
  • 企业数据的业务计算全部放在本地完成,在线的LLM只是完成一个归纳总结的作用

参考内容：RAG从入门到精通-RAG简介 – Ace Consider

大模型LLM的主流应用RAG技术 - 知乎 (zhihu.com)