【资料图】

文章要点:

检索增强生成（RAG）方法可以让语言模型访问最新的知识库，从而提高模型在实际业务中的应用能力编程。

RAG 方法相比重新训练模型或微调模型更为便宜和容易实现，同时也避免了数据集准备的工作量。

使用 Haystack 等开源框架，结合句子嵌入技术和检索算法，可以构建强大的 RAG-enabled 语言模型，提供准确、实时的信息检索和问题回答能力。

编程客栈() 8月9日 消息:虽然人们在工作中使用ChatGPT等生成式人工智能可以大大提高效率，但有时候，ChatGPT52%的回答是错误的。有人提出，可以利用检索增强生成（RAG）方法来增强语言模型(LLM)。

为了解决这个问题，国外一博主提出了两种方法:一种是在最新数据上训练或微调模型，但这种方法成本高且准备数据集的工作量大;另一种方法是使用 RAG 方法，将一个最新的知识库与大型语言模型结合起来，这种方法成本较低且易于实施。

这些涉及到如何使用 Haystack 框架、sentence transformephprs 和 transformers 库来构建 RAG-enabled 模型。首先，需要对文档进行预处理和存储，然后构建一个提取式问答管道，包括检索器和阅读器。最后，通过使用大型语言模型（如 OpenAI 的 gpt-4）构建一个 RAG-enabled 代理模型。

博主通过向模型提问关于2022年俄乌冲突的问题进行了测试，并与谷歌搜索的结果进行了对比。测试结果显示，RAG-enabled 模型能够给出相关的回答，但在某些android情况下可能会产生幻觉或不完全准确的回答。

通过利用 RAG 方法增强语言模型的能力，使其可以访问最新的知识库，从而在各种应用场景中更加实用。但需要注意的是，模型的性能取决于提供的知识库的质量，而且部署模型的基础设施也会影响推理时间。此外，通过增加步骤数或添加记忆组件等方式，可以进一步改进模型的性能。

具体操作方法点此查看