检索增强生成 (RAG)

Parent: ai_keywords

核心定义

检索增强生成（Retrieval-Augmented Generation, RAG）是一种将信息检索与大语言模型生成相结合的技术范式。它通过在生成文本前动态检索外部知识库（如专业文献、数据库、实时网页）中的相关片段，并将其作为上下文注入生成器，从而显著提升回答的事实准确性、时效性并减少幻觉。RAG 的核心优势在于无需重新训练模型即可引入新知识，是实现可信、动态知识融合的关键技术。

关键技术点

  1. 稠密检索与稀疏检索融合
    利用预训练编码器（如 BERT、ColBERT）将查询和文档映射为连续向量，通过余弦相似度进行稠密检索；同时结合 BM25 等稀疏方法处理低频术语。混合检索可兼顾语义与精确匹配。

  2. 检索-生成协同架构

    • 分阶段式：先独立检索 top-k 文档，再拼接至生成器前缀（如 FiD 模型）。
    • 端到端式：通过隐式注意力或门控机制联合训练检索与生成（如 REALM、REPLUG）。

  3. 知识索引管理与动态更新
    构建层级化索引（如分块策略、元数据标签），支持多粒度检索；结合增量更新机制，使模型能实时整合最新临床试验、指南或神经电生理数据。

  4. 质量评估与重排序
    采用交叉编码器（如 MonoBERT）对检索结果进行相关性重排序，剔除噪声片段，提升生成质量。

医学 / 神经科学应用场景（首都医科大学背景）

在帕金森病（PD） 的临床决策支持中，RAG 可用于个体化用药推荐与不良事件预警。当神经内科医生输入患者特征（如病程、运动波动、抑郁状态、基因型）及当前用药史，系统首先从融合了国际运动障碍学会（MDS）指南、中国 PD 诊疗指南、最新随机对照试验摘要及本院病历库的知识库中检索最相关的 5～10 篇文献片段。随后，生成器根据检索内容给出具体建议，例如：“结合患者左旋多巴日剂量 800 mg 及异动症特征，可考虑添加雷沙吉兰 1 mg/d；文献 [Am.J.Mov.Disord.2024] 指出该组合可减少关期时间 1.2 小时，且未增加幻觉风险。”

该方案能有效避免医生遗漏关键证据，尤其在处理多药联合、非运动症状共病等复杂场景时，RAG 可动态融合最新研究（如基因对药物反应的预测），极大提升诊疗的循证水平。此外，对于癫痫的脑电图报告生成或脑卒中的溶栓方案选择，RAG 同样可结合多模态数据（MRI 影像、EEG 节律）进行检索增强，精准辅助临床决策。