本系列目標對象是針對對 AI 和 Generative AI 完全沒有背景知識的說明，這次說明的觀念是 RAG: Retrieval-Augmented Generation。

起源與問題

大家應該都知道語言模型都是根據訓練資料來回答生成文字，而訓練資料可以是網路文章，書籍，文字資料等等。但是生成式模型的問題是，由於是根據最大機率來生成文字，所以有時候會生成出不合理的文字，或者是不符合上下文的文字，或是不符合特定主題的文字。而大多人都會以此認知為娛樂，例如: 「你看，這就是某某某模型的限制，能力不夠好，都亂回答」

解法之一：RAG

RAG 其實是一種結合傳統檢索式問答系統與生成式模型的方法。檢索式又是什麼意思，指的是透過搜尋引擎的方式，找到相關的資料，然後再進行回答。而 RAG 就是透過檢索式的方式，找到相關的資料，然後再進行生成式的回答。

在這邊搜尋引擎僅是一種概念上的引擎，而不一定是 Google 搜尋，可以回頭想想在做資料庫的查詢也可以是一種檢索式的方式。只要在原始資料中透過有系統的方式找到相關資料，就可以稱為一種檢索式的方式。生活上常見的例子就是，一本書的書目，或是圖書館的索引系統，都是一種檢索式的方式。

從檢索到生成

透過檢索系統搜尋的結果，通常會有一個或多個答案，而這些答案可以是一段文字，一個句子，或是一個關鍵字。這些答案就是 RAG 的檢索結果。這邊可以想像透過像是 Google Search 或是其他搜尋引擎搜尋到的結果，都是一種檢索結果。

以 Azure Search 這個搜尋結果來看，
https://learn.microsoft.com/en-us/azure/search/search-pagination-page-layout

會有幾個部分:

• Score
• Highlights
• Title / Chunk of Text

表示搜尋結果的相關性分數, 相關文字等等。

生成式回答

當有了檢索結果之後，就可以進行生成式回答。這邊的生成式回答，就是透過生成式模型來回答問題。而這個生成式模型，可以是 GPT, Gemini, Llama 等等。

等等，回到一開始搜尋

RAG 的第一個最基本的優點，就是傳統的搜尋方式，都是關鍵字搜尋，而 RAG 是透過自然語言問答的方式，這個意思指的是，你在搜尋的時候，不需要特別去想關鍵字，而是直接問問題，就可以得到答案。

相關演講與投影片分享

將 LLM/ChatGPT 整合進公司系統，然後呢？ - R-Ladies Taipei

本篇同步發表於 iThome 與 個人電子報