引言

在人工智能领域，大型语言模型（LLM）的崛起已经改变了我们与机器交流的方式。然而，尽管LLM在生成连贯和有说服力的文本方面表现出色，它们在处理特定事实和实时数据方面仍有局限。为了解决这一问题，检索增强生成（Retrieval-Augmented Generation，简称RAG）系统应运而生。本文将首先介绍目前RAG系统的架构，然后提出一种新的理念，即构建一个更加符合直觉的RAG系统，并探讨其优势及实现路径。

---

目前的RAG系统架构

目前的RAG系统通常遵循以下步骤：

1. 数据准备：从大量文本中提取数据，进行文本分割，并通过向量化（embedding）将文本转换为模型可以理解的数值形式，最后将这些数据存入知识库。
2. 应用阶段：用户提出问题，系统通过数据检索（召回）相关的信息，将这些信息注入到预设的提示（Prompt）中，然后LLM根据这些提示生成答案。