LLM 回答更加准确的秘密：为检索增强生成（RAG）添加引用源

如何让你的大模型变得更强？如何确定其获取信息来源的准确性？

想要回答这两个问题，就不得不提到今天文章的主角——RAG。RAG，也就是检索增强生成（Retrieval-augmented generation) ，可以弥补现有 LLM 应用能力的技术。

当前，LLM 的最大问题就是缺乏最新的知识和特定领域的知识。对于这一问题，业界有两种主要解决方法：微调和检索增强生成。业内许多公司（如 Zilliz、OpenAI 等）都认为相比微调，RAG 是更好的解决方法。归根究底是因为微调的成本更高，需要使用的数据也更多，因此主要适用于风格迁移（style transfer）的场景。相比之下，RAG 方法使用例如 Milvus 之类的向量数据库，从而将知识和数据注入到应用中，更适用于通用场景。

 

采用 RAG 方法就意味着使用向量数据库存储真理数据，这样可以确保应用返回正确的信息和知识，而不是在缺乏数据时产生幻觉，捏造回答。不过，随着越来越多的文档、用例等信息被注入应用中，越来越多开发者意识到信息来源的重要性，它可以确保信息准确性，使得大模型的回答更加真实。

这就需要用到引用或者归属（attribution）。如果返回的响应带有引用或者归属，那么我们就可以了解该响应内容来自于哪个文档或文档中的哪个片段。因此，本文将详解为 LLM 加入引用的重要性，以及如何获取引