1.4 RAG的優缺點

1.4.1 RAG的優點

前面介紹了RAG的基礎內容，下面來具體梳理一下RAG的優點。

1.高質量的答案生成，降低答案生成的幻覺

RAG的一個優點是它能夠生成高質量的回答。因為在生成過程中，檢索器可以從大量文檔中檢索問題相關的信息，然后基于這些信息生成回答。這使得整個系統能夠充分利用現有知識生成更準確、更具深度的回答，也意味著模型出現幻覺答案的概率更小。

在圖1-1和圖1-2中，我們分別詢問了ChatGPT和Bing Chat兩個問題：“RAG是什么？”“為什么大模型都是Decoder結構？”。可以明顯感受到，使用了RAG的Bing Chat對自己的答案更加自信，并且給出的答案更加專業。而ChatGPT的結果更傾向于羅列各種可能性，它并不知道近期這些名詞在哪些領域更熱門。

2.可擴展性

RAG具有很好的可擴展性，這意味著它可以輕松地適應新的數據和任務。由于RAG采用了檢索—生成的框架，因此只需更新檢索部分的數據，就可以使模型適應新的知識領域。這使得RAG在面對新領域或不斷更新的知識庫時具有很強的適應性。

3.模型可解釋性

RAG具有一定程度的可解釋性，這意味著我們可以理解模型是如何生成回答的。由于RAG的特性，我們可以很容易地追溯模型是從哪些文檔中提取信息的。這使得我們可以評估模型的回答是否基于可靠的數據來源，從而提高模型的可信度。例如，在前面圖1-2的例子中，Bing Chat不僅回答了我們提出的問題，還給出了模型從哪些文檔中提取了信息。如果這些文檔來自權威的科學出版物或者知名的網站，那么我們就可以相信模型的回答是準確的。

4.成本效益

由于RAG的知識庫能夠與生成模型解耦，因此只要擁有一定的數據量，企業便可將RAG作為微調的替代方法，而微調可能需要大量資源。這種模式對中小企業非常友好。從另一個角度來看，由于企業的數據都是私有的，提供相關文檔作為背景信息可以使生成結果更加準確、更具實用性，以滿足企業的特定任務需求。