下载掌阅APP，畅读海量书库
立即打开
RAG系统通过检索外部知识库来增强生成模型的能力，可以应用于多种场景。以下是一些常见的使用场景。
随着ChatGPT的问世，文档问答成为一个热门应用。例如，ChatPDF这个应用每天的日活都在以惊人的速度攀升。在这种场景下，RAG系统可以从大量文档中检索相关信息，帮助回答用户提出的问题。这种方法可以显著提高回答质量和准确性，因为它利用了大量现有的知识资源。
知识图谱是一种以三元组形式存储各种知识的结构化表示方法。它提供了一种统一、可维护和可扩展的知识表示形式。在图谱问答场景中，RAG系统可以从知识图谱中检索相关实体和关系，以回答用户的问题。这种方法可以有效地处理复杂的问题，因为它可以灵活地组合和推理知识图谱中的多跳信息。
在智能代理（agent）应用中，RAG系统可以根据用户的问题从预先配置好的工具列表中检索出对问题回复有帮助的工具，然后模型会判断是否调用某个工具生成一个观察结果来确定最终的答案。这种方法可以提高回答的实用性和针对性，因为它可以根据问题的具体情况选择合适的工具。
在传统的FAQ问答系统中，人工会提前配置好各种可能的问答对。当用户咨询新的问题时，RAG系统可以检索出与问题相关的问答对，并进行回复。这种方法可以提高回答的速度和准确性，因为它利用了预先准备好的、经过验证的问答对。通过不断更新和扩展问答对库，RAG系统可以持续提高其性能和覆盖范围。除此之外，还有一些衍生的场景，例如会话召回、上下文召回等。
总之，RAG系统通过检索不同类型的知识库来增强生成模型的能力，可以应用于多种场景，这些不同类型的知识库可以组合使用，以实现更高效、更准确和更智能的问答服务。