Skip to main content
检索增强生成(RAG)将语言模型与选定数据源结合起来。智能体收到问题后,会先在这些来源中搜索相关段落,再把检索到的材料和智能体指令交给模型,最后根据这些上下文起草回答。模型不必预先记住来源中的资料。

搜索适合什么

语义搜索根据含义和上下文查找资料,而不只匹配完全相同的词。它像一位研究人员,在大量文件中寻找最有用的材料,并用自然语言总结。若问题涉及某项政策、主题或说明,答案主要包含在有限的相关段落中,搜索通常很有用。

搜索不能保证什么

检索是选择性的:它返回被认为与问题相关的内容,而不是每份文档或每次出现。因此,“有多少文件提到了这个主题?”或完整总数计算不适合只靠搜索回答。即使答案读起来很流畅,只要相关段落没有被检索到,结论仍可能不完整。需要全面覆盖时,请要求引用来源并加以核对。

根据问题选择方法

  • 要在连接来源中查找相关段落,使用 Search(搜索)
  • 要让智能体从最新资料开始纳入,直到上下文空间用满,可使用 Include Data(纳入数据);它不会按每个问题的相关性排序。
  • 要对结构化行数据进行精确计算,例如计数、合计或比较,使用 Query Tables(查询表格)
  • 要从大量文档中按 Schema 收集指定字段,使用 Extract Data(提取数据)
清楚具体的问题有助于搜索找到正确材料。保持智能体的数据来源范围聚焦,要求引用来源;完整总数应通过结构化查询核算,而不是根据检索片段估算。另见搜索数据源Knowledge 方法