大模型的内在结构会被固化在其被训练完成的那一刻，但是当你询问大模型一些最新发生的事情，则难以给出答案。 为了克服这些问题，第一种方式是微调，即Finetune。
但是由于生成模型依赖于内在知识，也就是各类参数的权重，即使做了微调，模型还是无法摆脱幻觉问题。 此外在实际场景中，很多新的信息、数据、政策每时每刻都在产生，除非对模型进行高频的微调，否则模型的训练速度 阿曼 whatsapp 号码列表 永远赶不上外部信息更新的速度，而高频微调的成本就太高了， 在 年，Meta AI 的研究人员提出了检索增强生成（RAG的方法，为LLM大模型提供了一种与外部信息高效互动的解决方案。
其主要作用类似于搜索引擎，找到用户提问最相关的知识或者是相关的对话历史，并结合原始提问，创造信息丰富的prompt，指导LLM大模型生成更准确的输出。
这就是Rag技术产生的背景和原因。 二、Rag技术的基本原理 聊聊炙手可热的Rag：产生原因、基本原理与实施路径 RAG可分为个基本流程：知识文档的准备、嵌入模型、存入向量数据库、查询检索和生产回答。
现实场景中，我们面对的知识源可能包括多种格式，如Word文档、TXT文件、CSV数据表、Excel表格，甚至图片和视频。因此需要使用专门的文档加载器（例如PDF提取器或多模态模型（如OCR技术，将这些丰富的知识源转换为大语言模型可理解的纯文本数据，然后开启RAG的五个核心步骤。