RAG与KAG：GenAI知识增强生成的比较和差异
- 1. 什么是RAG？
- 2. 什么是KAG？
- 3. KAG是如何工作的？
- 4. RAG vs KAG的关键差异
- 1. 知识图谱的使用
- 2. 推理能力
- 3. 处理复杂查询
- 4. 准确性
在自然语言处理（NLP）和人工智能系统领域快速发展的背景下，两种方法正在逐渐占据主导地位： RAG（检索增强生成） 和 KAG（知识增强生成） 。
这两种方法通过整合外部知识源来提高语言模型的能力，但它们在访问和使用知识的方式上有所不同。
我们总结了最重要的要点以进行比较，并分析其架构、用例、优势等。
1. 什么是RAG？
RAG，或检索增强生成（Retrieval-Augmented Generation） ，是一种结合了检索和基于生成模型的框架。它已成为生成式人工智能最重要的应用之一，将外部文档（PDF、视频等）与LLM连接起来用于问答案例。
RAG的操作基于两个支柱：
- 检索：查询通过一个检索系统，从外部知识源中检索相关文档或段落。
- 生成：这些检索到的段落作为上下文被整合进一个生成模型（如GPT-4或Gemini），然后该模型综合信息以生成相关的答案。
它的应用多种多样，从回答开放域查询或需要访问最新或特定领域信息的聊天机器人到定制搜索引擎。
其主要优势在于它结合了检索（精确度）和生成（自然语言流畅性）的优势，并减少了“幻觉”，因为它基于检索的数据得出结果。这导致动态获取知识、更好的上下文响应或高效的知识集成。
最近引入了通过分析和创建知识图来改进 RAG 检索的 GraphRAG&#