本文首先将关注 RAG 的概念和理论。然后将展示可以如何使用用于编排（orchestration）的 LangChain、OpenAI 语言模型和 Weaviate 向量数据库来实现一个简单的 RAG。

检索增强生成是什么？

检索增强生成（RAG）这一概念是指通过外部知识源来为 LLM 提供附加的信息。这让 LLM 可以生成更准确和更符合上下文的答案，同时减少幻觉。

问题

当前最佳的 LLM 都是使用大量数据训练出来的，因此其神经网络权重中存储了大量一般性知识（参数记忆）。但是，如果在通过 prompt 让 LLM 生成结果时需要其训练数据之外的知识（比如新信息、专有数据或特定领域的信息），就可能出现事实不准确的问题（幻觉），如下截图所示：

因此，将 LLM 的一般性知识与附加上下文整合起来是非常重要的，这有助于 LLM 生成更准确且更符合上下文的结果，同时幻觉也更少。

解决方案

传统上讲，通过微调模型，可以让神经网络适应特定领域的或专有的信息。尽管这种技术是有效的，但其需要密集的计算，成本高，还需要技术专家的支持，因此就难以敏捷地适应不断变化的信息。

2020 年，Lewis et al. 的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》提出了一种更为灵活的技术：检索增强生成（RAG）。在这篇论文中，研究者将生成模型与一个检索模块组合到了一起；这个检索模块可以用一个更容易更新的外部知识源提供附加信息。

用大白话来讲：RAG 之于 LLM 就像开卷考试之于人类。在开卷考试时，学生可以携带教材和笔记等参考资料，他们可以从中查找用于答题的相关信息。开卷考试背后的思想是：这堂考试考核的重点是学生的推理能力，而不是记忆特定信息的能力。

类似地，事实知识与 LLM 的推理能力是分开的，并且可以保存在可轻松访问和更新的外部知识源中：

• 参数化知识：在训练期间学习到的知识，以隐含的方式储存在神经网络权重之中。
• 非参数化知识：储存于外部知识源，比如向量数据库。

下图展示了最基本的 RAG 工作流程：

检索增强生成（RAG）的工作流程

1. 检索：将用户查询用于检索外部知识源中的相关上下文。为此，要使用一个嵌入模型将该用户查询嵌入到同一个向量空间中，使其作为该向量数据库中的附加上下文。这样一来，就可以执行相似性搜索，并返回该向量数据库中与用户查询最接近的 k 个数据对象。
2. 增强：然后将用户查询和检索到的附加上下文填充到一个 prompt 模板中。
3. 生成：最后，将经过检索增强的 prompt 馈送给 LLM。

使用 LangChain 实现检索增强生成

下面将介绍如何通过 Python 实现 RAG 工作流程，这会用到 OpenAI LLM 以及 Weaviate 向量数据库和一个 OpenAI 嵌入模型。LangChain 的作用是编排。

必要前提

请确保你已安装所需的 Python 软件包：

• langchain，编排
• openai，嵌入模型和 LLM
• weaviate-client，向量数据库

#!pip install langchain openai weaviate-client