从对话开始
当我们直接接入大语言的模型的时候，往往会遇到一个很常见的问题，就是它对于我们私有的数据，小众领域的信息或者较新的知识并不知道。
这源自于大语言模型的训练数据集的限制，它的数据往往来自于大众的语料库，所以对于公开的信息了解的就比较多，但是对于私有的数据，小众领域的信息都不在它的知识范围内，而且由于训练成本和时间的限制，它也不可能实时地去更新模型本身的知识。
这个时候得到“不知道”的答案反而是一个好事儿，起码看得出来这个模型是有一定的智能的，它知道自己不知道，而不是随便瞎猜。毕竟处理大模型的幻觉也是很大的一个问题。
补充上下文
那么这个时候如果想要让模型能够为我们所用的，就需要上一点技术手段了。
最简单的方法就是在与大模型沟通的时候，增加一些上下文的信息。
那这里的上下文就是我们所能够提供给模型的，用于回答用户问题的信息了。
那么接下来的问题就是，这个上下文信息是怎么来的？
RAG
我们需要从整个流程来回溯一下：
- 首先用户提出问题，这个问题从始至终不会发生变化
- 然后我们需要理解用户的问题，知道用户提问的意图和方向
- 接下来就是我们需要根据用户的问题，去检索我们的知识库，找到与用户问题相关的信息，查找出与之相关的的文档或者文本内容
- 最后我们需要将这些文档或者文本内容进行整合，组成一个完整的提示词，提供给大语言模型用于生成
- 最后通过大语言模型生成相对精确的答案，返回给用户
这个过程就被称为 RAG(Retrieval Augmented Generation)，也就是检索增强生成。
