那么，RAG 究竟是什么？简单来说，它代表“检索增强生成”（Retrieval-Augmented Generation）。让我们重点关注这两个方面：检索和生成。 对于标准的生成式 AI（GenAI），你提供一个提示，GenAI 应用会使用一个大型语言模型来为该提示生成一个合适的回复。 现在，想象一个应用程序，它可以从各种来源检索信息，然后根据检索到的信息生成回复。这正是 RAG GenAI 的工作方式。它为生成的示例提供了上下文。 让我们通过一个例子来进一步探讨。如果我们问 GenAI 应用“备份我客户数据库的最佳方法是什么？”，它可能会给出一些泛泛的答案。它不会了解我所说的客户数据库的细节。 现在，假设我有一份包含所有细节的设计文档。它有一个关于数据存储的部分，并明确列出了托管在 Amazon DynamoDB 上的客户数据库。该设计文档已上传到我们组织的 SharePoint。 因此，该应用程序将首先从 SharePoint 检索上下文信息，用检索到的信息增强提示，然后基于此生成回复。在这种情况下，该应用程序将提供备份 DynamoDB 数据库的策略，并引导我查看设计文档中的相关部分。