检索增强生成是一种自然语言处理 (NLP) 方法，它结合了信息检索和文本生成模型的元素，以增强知识密集型任务的性能。
检索组件从预定义的一组文档或知识源中聚合与特定查询相关的信息，然后将其作为生成模型的上下文。
一旦检索到信息，就会将其与输入上下文相结合，以创建一个包含原始查询和相关检索信息的集成上下文。
然后将该集成上下文输入到生 奥地利手机数据 成模型中，以根据预先训练的知识和检索到的特定于查询的信息生成准确、连贯且适合上下文的响应。
RAG 方法使生命科学研究团队能够更好地控制生物医学 LLM 所使用的基础数据，方法是根据企业和领域特定的知识源对其进行磨练。它还能够集成一系列外部数据源，例如文档存储库、数据库或 API，这些数据源与增强模型对查询的响应最相关。
RAG 在生物医学研究中的价值
从概念上讲，检索+生成模型在处理动态外部信息源、最大限度地减少幻觉和增强可解释性方面的能力使其成为增强 bioLLM 性能的自然且互补的选择。
为了量化这种性能的增强，最近的一项研究评估了检索增强生成代理在生物医学问答中的能力，并与 LLM（GPT-3.5/4）、最先进的商业工具（Elicit、Scite 和 Perplexity）和人类（生物医学研究人员）进行了比较。
RAG 代理 PaperQA 首先根据标准多项选择 LLM 评估数据集 PubMedQA 进行评估，并删除了提供的上下文，以测试代理检索信息的能力。在这种情况下，RAG 代理以 30 分的优势击败了 GPT-4（57.9% 比 86.3%）。
接下来，研究人员构建了一个更复杂、更现代的数据集（LitQA），该数据集基于 LLM 预训练数据范围之外。