从传统RAG到Graph RAG:知识图谱技术驱动下的链路转型与融合策略
检索增强生成(RAG:Retrieval Augmented Generation)技术旨在把信息检索与大模型结合,以缓解大模型推理 “幻觉” 的问题。近来关于 RAG 的研究如火如荼,支持 RAG 的开源框架也层出不穷,并孕育了大量专业领域的 AI 工程应用。设计了一个通用的开源 RAG 框架,以兼容未来多样化的基础研究建设和工程化应用诉求。
1.简介
RAG 的目标是通过知识库增强内容生成的质量,通常做法是将检索出来的文档作为提示词的上下文,一并提供给大模型让其生成更可靠的答案。更进一步地,RAG 的整体链路还可以与提示词工程(Prompt Engineering)、模型微调(Fine Tuning)、知识图谱(Knowledge Graph)等技术结合,构成更广义的 RAG 问答链路。
除了传统意义上的增强内容生成,RAG 的理念还可以进一步泛化到链路的其他阶段:
- 增强训练