杭州网站优化服务最好网页游戏网站

杭州网站优化服务,最好网页游戏网站,信息推广的方式有哪些,河北省住房建设厅官方网站在大语言模型#xff08;LLM#xff09;惊艳世界的背后#xff0c;一直隐藏着两个难以根除的顽疾#xff1a;一是**“幻觉”#xff0c;它偶尔会一本正经地胡编乱造#xff1b;二是“时效性”**#xff0c;它永远不知道训练结束后的新闻#xff0c;也无法触及你企业的内…在大语言模型LLM惊艳世界的背后一直隐藏着两个难以根除的顽疾一是**“幻觉”它偶尔会一本正经地胡编乱造二是“时效性”**它永远不知道训练结束后的新闻也无法触及你企业的内部数据。为了解决这个问题RAG检索增强生成技术应运而生。简单来说它就是给 LLM 外挂了一个**“图书馆”**。当你要考试时模型不再死记硬背而是学会了翻书找资料。但这并不是一项静态的技术。从 2020 年诞生至今RAG 为了回答更难的问题经历了一场跨越数年的进化旅程。今天我们就顺着时间的脉络看看它是如何一步步变强的。第一阶段起源与奠基2020年 - Naive RAG时代的痛点模型太贵知识太旧。故事要从 2020 年说起。当时GPT-3 刚刚展示了惊人的能力但人们发现了一个尴尬的现实想要让模型学会新知识比如最新的总统是谁唯一的办法就是重新训练模型Fine-tuning。这既昂贵又慢。就在这一年Facebook AI ResearchFAIR的 Lewis 等人发表了一篇里程碑式的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》正式提出了RAG的概念。最初的灵光一现这篇论文的核心思想非常朴素与其让模型把所有知识都记在脑子里参数里不如给它一本参考书。这就是Naive RAG朴素 RAG的雏形。它的工作流奠定了后来几年的行业标准切片Indexing把文档切成小块。向量化Embedding把文字变成计算机能读懂的数字坐标。检索Retrieval当用户提问时计算问题的坐标去数据库里找“距离最近”的文档片段。生成Generation把找到的片段贴给 LLM让它照着回答。这一阶段的里程碑意义在于它把“知识存储”和“语言推理”解耦了。我们不需要更新模型只需要更新数据库AI 就能知道今天的头条新闻。第二阶段结构的跃迁GraphRAG进化的动力碎片化检索带来的“盲人摸象”。随着 RAG 的普及技术人员发现了一个新问题Naive RAG 太依赖“关键词匹配”了。如果你问“这本书里张三和李四的关系是如何导致最终悲剧的”Naive RAG 会机械地把包含“张三”和“李四”的片段找出来。但这些碎片往往是孤立的模型读完后只能看到点看不见线更看不懂面。它就像盲人摸象摸到了腿和鼻子却拼凑不出大象。为了解决**“全局理解”和“复杂关系”的问题技术界开始引入知识图谱Knowledge Graph**GraphRAG应运而生。从“点”到“网”的进化GraphRAG 不再满足于把文档切碎它开始像侦探一样整理线索抽取实体它可以识别出人名、地名、事件。建立连接它会在数据库里画线标记出“张三是李四的仇人”、“事件 A 导致了 事件 B”。社区摘要微软最近提出的 GraphRAG 更是引入了“社区”概念预先将相关联的信息聚类并写好总结。这一阶段的进步在于RAG 开始懂逻辑了。它不再是简单的“根据相似度找那句话”而是能顺着关系网进行多跳推理Multi-hop Reasoning回答那些需要综合全书内容的宏大问题。第三阶段自主性的觉醒Agentic RAG进化的动力流程太死板缺乏“反思”能力。时间来到 2023 年底和 2024 年随着 Agent智能体概念的爆发RAG 迎来了第三次跃迁。前两代 RAG 都有一个共同死穴“一锤子买卖”。检索一次回答一次。如果第一次检索错了比如搜到了同名同姓的人整个回答就废了模型不会自己纠正。于是Agentic RAG智能体 RAG出现了。它不再是一个固定的流水线而变成了一个会思考的项目经理。从“流水线”到“循环思考”Agentic RAG 赋予了模型**“自我反思”和“主动规划”**的权利自我修正Self-Correction模型检索完资料后会先看一眼“诶这些资料好像跟用户问的无关啊。”如果是传统 RAG它会硬着头皮乱答。但 Agentic RAG 会说“不行我得换个关键词重新搜一次。”任务拆解Planning遇到“对比 2023 和 2024 年财报”这种难题它不会傻傻地去搜整句话。它会像人一样思考步骤一先搜 2023 财报读数据。步骤二再搜 2024 财报读数据。步骤三调用计算器工具算差值。步骤四最后写回答。这一阶段的本质变化RAG 从一个单纯的“查阅工具”进化成了一个具备“认知能力”的系统。它开始像人类专家一样懂得从错误中调整懂得如何分步解决复杂问题。未来展望不仅仅是文字进化的脚步并未停止。未来的 RAG 正在向两个方向突围多模态化以前我们只检索文字现在 RAG 已经开始尝试“看懂”复杂的 PDF 表格、检索图片甚至视频片段。与长窗口共存虽然现在的模型如 Gemini 1.5能一次性读完几百万字但这并不意味着 RAG 会消失。RAG 将变成一种更经济、更精准的手段帮助模型在海量数据中快速定位核心信息。结语回顾这段历程RAG 的变化其实很像一个人的成长史Naive RAG 像是一个刚识字的小学生你问什么他就在书里找相同的词念给你听。GraphRAG 像是一个经验丰富的大学生他能理解书里的逻辑把散落的知识点串联成一张网。Agentic RAG 则像是一个懂得变通的研究员他不仅会查资料还懂得拆解任务发现查错了会自我纠正直到给你最准确的答案。技术名词在不断翻新但目的只有一个让 AI 不再只是机械地堆砌文字而是真正听懂你的问题并给出值得信赖的答案。