05-19 18:25 已编辑 牛客运营 发布于陕西
发布于陕西 关注
全部评论
LYRICS2006
东北林业大学 算法工程师
RAG 工作原理：“先检索，后生成”。 存储：将私域文档切片并转化为向量存入数据库。 查询：用户提问时，先在库中匹配最相关的知识片段。 回答：将参考资料+问题交给大模型，让其基于上下文作答。 相比微调，RAG 解决了 知识过时的问题。无需重训模型，更新文档即可同步最新信息。
胡图图的牛爷爷
测试工程师
RAG的工作原理的原理：Query切片→检索知识库切片→找到相似度最贴近的部分即锁定最贴近答案的区域→组织语言生成Answer。微调调的是模型的权重，RAG是训练外挂知识库促进模型更加贴合业务，解决基座模型知识库老旧以及业务贴合度不强的问题，补充数据，减少模型幻觉
AI主理牛 楼主
楼主 牛客运营
滴滴滴滴，本题作答已截止！现金奖励会在下周三发放！
ring2
门头沟学院 Java
RAG 通过将大模型与外部知识库连接，以低成本实现了知识的实时更新、可溯源的高质量生成，而微调则更适合需要重塑模型风格、推理模式或领域术语理解的场景。两者并非完全对立，许多生产系统已采用 RAG + 微调的混合架构，兼顾动态知识获取与模型行为的深度优化
4a2b2fm_mf
门头沟学院 运营
RAG（Retrieval-Augmented Generation，检索增强生成）的核心思想是：在生成答案前，先从外部知识库中检索相关文档，再把“问题 + 检索到的文档”一起送给 LLM 生成答案
卑微大橙子在线求offer
东北林业大学 Java
RAG 是给大模型 “外接了一个可随时更新、可溯源、低成本的外挂知识库”，用检索的方式替代了微调的训练过程，既解决了大模型的知识短板，又规避了微调的高成本、高风险问题。
黄zp
西安建筑科技大学 C++
简单说，RAG 不是让大模型“死记硬背”所有知识，而是让它在回答前先“翻书”。用户问一个问题，系统先从指定文档中找出相关内容，再让大模型根据找到的内容回答。这样模型不是完全凭训练时学到的东西来回答，而是有外部资料作为支撑。和微调相比，RAG 最大的价值是降低了知识注入的成本。微调一次需要准备数据、训练、评估和部署，而且新知识加入后还可能要重新训练。RAG 则只需要把新文档放进知识库，检索系统就能使用。它主要解决的是大模型知识过时、回答不准确、无法访问私有资料的问题。
爵爵想睡觉
广东金融学院
普通 LLM 回答问题时，主要依赖训练阶段学到的内容；RAG 则是在回答前先去资料库里查一遍，把查到的内容带进考场。这样模型回答时有参考材料。和微调相比，RAG 不是为了改变模型本身，而是为了补充模型不知道或记不准的知识。微调更像是重新培训模型，RAG 更像是给模型配一本随时更新的资料册。所以它主要解决知识更新、私有数据接入、答案可追溯和减少幻觉这几个问题。
牛客671170840号
RAG 的工作原理主要是：大模型本身负责理解问题和组织语言，外部检索系统负责提供事实依据。用户提问后，系统先检索相关知识，再把检索结果塞进上下文窗口里，模型根据这些内容进行回答。直接微调虽然也能让模型适应某个领域，但它的问题是成本高、周期长，而且很难保证模型一定记住了某条具体知识。RAG 主要解决的是事实性知识的获取问题，尤其适合需要引用公司文档、政策条款、技术手册、法律法规等内容的场景。
不想恰蟹钳
惠州学院
RAG 的核心逻辑是先找资料，再写答案。系统会把企业文档、网页、PDF、FAQ 等内容切分成小段，存进向量数据库。用户提问后，系统计算问题和文档片段的相似度，找出最相关的几段内容，再把它们提供给大模型，让模型生成自然语言回答。 相比直接微调 LLM，RAG 更像是在模型外面接了一个知识系统。微调适合让模型学会某种任务或语气，但如果只是想让模型掌握一批文档内容，RAG 通常更划算。它解决的主要问题是：模型本身没有这些知识，或者知识经常变化，不适合每次都通过训练来更新。
1摸鱼大王1
深圳大学
RAG全称是 Retrieval-Augmented Generation也就是检索增强生成。它的基本思路是：模型在回答问题之前，先去外部知识库、文档库或数据库里检索相关资料，然后把检索到的内容和用户问题一起交给大语言模型，让模型基于这些资料生成答案。 它和直接微调 LLM 的区别在于，微调是把知识写进模型参数里，而 RAG 是让模型临时查资料。所以 RAG 主要解决的是知识更新慢、模型容易胡编、私有知识难以直接注入的问题。比如企业内部制度、产品文档经常变化，如果每次都微调模型，成本高又不灵活；用 RAG 只要更新知识库就可以了。
好想要offer啊_
门头沟学院
RAG 的流程通常包括：文档清洗和切分、向量化存储、用户问题向量化、相似内容检索、把检索结果拼进 prompt、最后由 LLM 生成回答。整个过程中，大模型并不直接保存所有外部知识，而是在需要时调用相关资料。 相比直接微调，RAG 的优势是灵活。比如公司产品说明每周都变，如果用微调，每次更新都要重新训练，很不现实；但用 RAG，只要更新知识库就行。它主要解决的是大模型知识静态化的问题，也就是模型训练完成后无法及时知道新信息、内部资料和具体文档细节的问题。
Toxic丶爵
外交学院 C++
1.RAG 的工作流程一般分为两步：第一步是检索，系统把用户的问题转成向量，然后在向量数据库中找到语义最相近的文档片段；第二步是生成，把这些相关片段和问题一起放进 prompt，让 LLM 根据上下文组织答案。 2.如果直接微调大模型，知识会被压缩进参数里，后续要改动或删除都比较麻烦。而 RAG 把知识放在外部知识库里，模型只是调用这些知识。因此 RAG 主要解决的是知识管理问题：知识可更新、可追踪、可替换，也更适合做企业问答、客服、文档助手这类场景。
牛客817020644号1
深圳技师学院 C++
RAG 可以理解成给大模型配了一个资料库。当用户提出问题时，系统不会直接让模型凭记忆回答，而是先根据问题去检索相关文本，再把这些文本作为上下文提供给模型。模型最后的回答，是结合自身语言能力和检索结果生成的。 相比微调，RAG 的优势在于它不需要反复训练模型。微调更适合改变模型的风格、任务能力或领域表达方式，但不适合频繁更新知识。RAG 主要解决的是模型不知道最新信息的问题，同时还能一定程度减少幻觉，因为回答有资料依据。
马里奥离上岸不远了
河北师范大学 Java
RAG:外部知识补充，通过相同向量矩阵的调用，让大模型在不重新训练的情况下，能够利用外部知识库回答事实性、时效性或专业性问题，从而减少“幻觉”并提升答***性。 与直接对LLM微调相比，RAG可以实时更新知识库，可以展示检索到的来源，基于检索得到的答案准确性更高。
求好运眷顾🙏🏻
东莞理工学院 后端工程师
在处理超出其训练数据或需要当前信息的查询时，RAG通过语义相似性计算从外部知识库中检索相关文档块，从而增强了LLM。通过引用外部知识，RAG可有效减少生成与事实不符内容的问题。
相关推荐
05-19 16:41
复旦大学 Python ynq2126：我一直觉得现在考算法题没啥意义 真要选拔人才不如把公司实际项目中遇到的问题当成一系列场景题抛给求职者答 这才是能检测能力的东西
点赞 评论 收藏
分享
点赞 评论 收藏
分享