检索增强生成（RAG）

检索增强生成（RAG）已成为生成式AI领域的一项有效技术，可将外部可用数据（通常是专有数据或特定领域数据）集成到使用大语言模型（LLM）的工作流中。RAG会检索相关上下文，并在发出请求前将其作为额外的提示上下文，从而提高AI响应的效率和准确性，突破仅能利用训练数据集的独立模型所能达到的水平。

什么是检索增强生成（RAG）？

RAG是检索增强生成的缩写。该名称突出了其核心原理：通过检索实时或频繁更新的数据来增强基础AI系统或AI模型，从而提供更符合上下文的答案。

RAG有哪些用途？

RAG用于应对AI领域的一项根本挑战：即使底层LLM使用过时信息进行训练，如何让静态模型持续采用最新且最相关的数据。RAG的常见应用包括：

客户支持：AI驱动的聊天机器人可检索最新的产品手册、系统状态信息和客户历史记录，从而更快地提供更有针对性的解决方案。
实时分析：企业利用金融市场数据流、社交媒体趋势或物联网（IoT）设备数据流，提高决策的准确性。
知识管理：内部Wiki、研究档案和其他内容存储库可提供重要参考信息，而AI模型无法仅通过训练存储这些信息。

RAG在生成式AI用例中的工作原理

大多数生成式AI模型都在固定的训练周期内学习信息。训练结束后，模型保留的知识仅涵盖截至某个时间点的信息，或受特定数据范围限制。RAG会在推理时（即收到用户查询时）从外部来源获取最新的相关数据，从而扩展模型的知识。

检索：系统从包含最新信息的存储库中识别相关性最高的文档、数据库条目或向量嵌入。
增强：模型将检索到的内容用作额外的“提示”或上下文，并将其与底层训练数据无缝整合。
生成：生成最终响应，并融入最新数据或特定领域的数据，实现仅靠静态模型无法复现的效果。

RAG语料库管理

为确保RAG可靠运行，组织通常会维护一个持续更新的语料库，其中包含结构化和非结构化数据，并可通过向量数据库或知识图谱便捷访问。妥善管理该语料库涉及数据摄取、清洗、嵌入和索引，从而确保检索引擎能够快速筛选出符合上下文的信息片段。

RAG为何重要

上下文准确性：通过使回答与实时数据或组织特定数据保持一致，RAG可大幅减少“幻觉”，即AI模型生成与实际情况无关的回答。
更新的信息：数据每次发生变化时，无需对大型模型进行成本高昂的重新训练或微调，RAG可让模型按需查询最新内容，从而提高响应内容的质量和时效性。
法规合规性：RAG支持根据用户访问权限选择性检索数据，从而帮助满足隐私和数据保护法规的合规要求。
成本效益：由于每次查询仅检索最相关的数据，因此存储和计算资源更易于管理。
更完善的数据保护：由于敏感数据可与核心LLM分开检索，因此不会被固化到模型中，从而降低越狱或模型被盗时的数据泄露风险。

RAG的未来

AI技术不断进步，例如上下文窗口持续扩展，使模型能够直接处理海量文本，这似乎会降低RAG对消费者的重要性。然而，对于在多云环境中分布着海量数据的企业级组织而言，数据源仍在快速变化且分布广泛。RAG通过有选择地调用最相关且已获授权的信息来应对这一挑战，同时避免模型的上下文窗口过载或数据无序扩散。随着AI更深入地融入企业工作流，RAG有望继续成为一项关键策略，用于及时提供上下文丰富且准确度高的输出。

F5如何应对企业AI部署

F5将多云环境中分布于不同位置的数据源与AI模型无缝连接，为检索增强生成（RAG）提供安全连接，发挥着关键作用。随着企业采用先进的AI架构，F5利用F5 Distributed Cloud Services，确保企业数据访问兼具高性能与安全性。Distributed Cloud Services为网络和安全提供统一方案，支持基于策略的控制、集成式Web应用防火墙（WAF）以及传输中加密。通过从不同存储位置安全、实时且有选择地检索数据，F5帮助企业应对可扩展性、延迟和合规性方面的挑战，使AI模型能够高效运行，同时保护敏感的企业信息。

进一步了解F5如何支持企业AI部署，详见此处。