检索增强生成(RAG)

一种模式:从知识来源中检索相关段落并放进提示词,让模型依据这些段落作答。

最后更新: · Markdown版本

如何在提示词中运用

用这个概念减少歧义、提高一致性。如果需要严格的格式,可以把它和JSON指南以及按模型区分的模板结合使用。

含义
可直接复制的示例
只使用下面编号的段落回答问题。
在每个论断后注明段落编号,例如[2]。
如果这些段落中没有答案,就直接说明并停止。

<passages>
[1] [粘贴段落]
[2] [粘贴段落]
</passages>

问题:[你的问题]
将在分析器中打开,并预先填入该提示词。
在Promptea中打开
常见问题
RAG和微调(fine-tuning)是一回事吗?
不是。微调会改变模型的权重;RAG不改动模型,改变的是它在提示词中读到的内容。RAG是为模型提供最新或私有事实的常用方法。
基于搜索的助手也用RAG吗?
它们遵循同样的思路:先搜索,再根据找到的内容作答并给出来源。Perplexity的模型等原生就这样做,所以你的提示词应该引出一次好的搜索,而不是把来源粘贴进去。