检索
当用户输入对聊天机器人的查询时，检索过程就开始了。然后，RAG 会将此查询发送到嵌入模型，以转到嵌入，并在矢量数据库上进行语义搜索。以下是此过程的步骤。
接收用户查询
将查询传递给嵌入模型
查询被转换成嵌入
进行语义搜索以根据查询对数据库中的数据进行交叉检查。
从数据库中检索相关数据块并将其发送到提示。
使用语义搜索，RAG 能够识别相关内容并将其传递给提示。这样，就可以使用查询和相关内容生成增强提示。
增强提示
检索过程完成后，RAG 会将 中国号码数据 收集到的相关信息与查询结合起来，形成一个独特的提示。这个提示更具体，其中包含更多可供 LLM 使用的上下文。
一代
有了增强提示，LLM 就可以利用所有这些信息为用户提供明智的响应。查询 + 上下文使 LLM 能够以更明智的方式回答问题，从而提高所提供信息的准确性。这样，您的聊天机器人就可以在更高水平上运行。
RAG 的六个主要优势
您会发现 RAG 有很多好处。在这篇博客中，我们列出了 RAG 最重要的六个好处。
RAG 的六个主要优势
1. 动态及更新信息
RAG 最大的卖点之一是它允许LLM 聊天机器人提供准确且最新的响应。如果不使用实时信息，基本 LLM 模型和 RAG 实现的模型之间就没有区别。
2. 高效且经济
RAG 运行高效，因为它有一个数据索引过程，可以不断解析数据并将其存储在数据库中。这已经使 RAG 包含比一般的 LLM 知识库更多的正确信息。即便如此，如果需要，您也可以轻松地从源中排除任何不正确的信息。
此外，通过索引更新信息可以持续进行，不会产生额外成本。因此，RAG 可以更高效、更经济地掌握所有这些数据，而无需花费更多。
3. 降低幻觉发生率
由于知识库有限，LLM 极易产生幻觉，这是生成式 AI 的最大缺陷之一。使用 RAG，由于检索和增强提示过程，幻觉可以大大减少。
通过这两种方式，RAG 能够为 LLM 提供更好、更详细的提示。这样，LLM 就有了一个参考点，他们可以在此基础上提供答案。
此外，由于 RAG 已经提供了如此多的相关信息，LLM 的误差幅度较低。因此，在 LLM 中使用 RAG 是降低幻觉率的最佳方法。
4. 来源归属
当 RAG 向 LLM 提供数据时，它还会附带所用资源的链接或引文。这为用户提供了进一步的背景信息，并允许他们将来可能需要一些自我支持。此外，它使生成的答案合法化，因为有另一个来源支持你的 LLM 所说的内容。