Process / pipeline

检索增强生成（RAG）

检索增强生成（RAG）是由Lewis等人于2020年提出的一种自然语言处理流水线，它通过在推理时从外部知识库检索证据来增强大型语言模型（LLM）。RAG不完全依赖模型在训练期间记忆的内容，而是首先从文档索引中检索最相关的段落，然后将这些段落作为上下文提供给LLM，从而使生成的答案基于可验证的最新信息。这种方法可以减少幻觉，并允许在不重新训练模型的情况下注入特定领域或时效性知识。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

方法图谱

相关方法的邻域——选择一个节点以展开探索。

检索增强生成（RAG）

BERT 嵌入 BERT微调文本知识图谱构建问答 (QA)多头自注意力机制文本摘要 Transformer (NLP)NLP中的常识推理自然语言生成提示工程

另有 1 项

来源

Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems (NeurIPS), 33, 9459-9474. DOI: 10.48550/arXiv.2005.11401 ↗
Gao, Y. et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv preprint. DOI: 10.48550/arXiv.2312.10997 ↗

如何引用本页

ScholarGate. (2026, June 1). Retrieval-Augmented Generation (RAG). ScholarGate. https://scholargate.app/zh/text-mining/retrieval-augmented-generation

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

并排比较 →

被引用于

NLP中的常识推理自然语言生成提示工程自监督问答

发现本页有问题？报告或提出修改建议 →