查看“RAG”的源代码

<div class="medical-infobox" style="font-size: 0.85em;">
{| style="width: 100%; background: none; border-spacing: 0;"
|+ style="font-size: 1.35em; font-weight: bold; margin-bottom: 10px; color: #1a202c;" | 检索增强生成 (RAG)
|-
| colspan="2" | 
<div class="infobox-image-wrapper" style="padding: 25px; background-color: #f8fafc; border: 1px solid #f1f5f9; border-radius: 12px; text-align: center;">
<div style="width: 25px; height: 25px; padding: 25px; background: #ffffff; display: inline-block; border-radius: 50%; border: 1px solid #e2e8f0;">
<svg viewBox="0 0 24 24" fill="none" stroke="#2563eb" stroke-width="2"><path d="M21 21l-6-6m2-5a7 7 0 11-14 0 7 7 0 0114 0zM10 7v3m0 0v3m0-3h3m-3 0H7"/></svg>
</div>
<div style="font-size: 0.85em; color: #94a3b8; margin-top: 10px; font-weight: normal;">RAG 技术架构：连接大模型与私有医学知识库</div>
</div>
|-
! style="text-align: left; padding: 6px 0; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: normal;" | 全称
| style="padding: 6px 0; border-bottom: 1px solid #f1f5f9; font-weight: 600; text-align: right;" | Retrieval-Augmented Generation
|-
! style="text-align: left; padding: 6px 0; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: normal;" | 核心价值
| style="padding: 6px 0; border-bottom: 1px solid #f1f5f9; text-align: right;" | 消除幻觉、知识实时更新、可解释性
|-
! style="text-align: left; padding: 6px 0; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: normal;" | 技术栈
| style="padding: 6px 0; border-bottom: 1px solid #f1f5f9; text-align: right;" | 向量数据库、大语言模型 (LLM)
|-
! style="text-align: left; padding: 6px 0; color: #64748b; font-weight: normal;" | 医疗应用
| style="padding: 6px 0; text-align: right;" | 智慧医生、医学百科知识库问答
|}
</div>

'''检索增强生成'''（Retrieval-Augmented Generation，简称 **RAG**）是一种通过从外部可靠知识库（如 [[医学百科|yixue.com]]）中检索相关信息，并将其作为上下文输入给[[大语言模型]]（LLM），以增强模型生成结果准确性的技术架构。



在医学人工智能领域，RAG 被认为是解决大模型“幻觉”问题的核心方案。由于医学诊断对准确性要求极高，单纯依靠模型预训练阶段记忆的知识（内化知识）往往存在时效性滞后和事实错误；RAG 技术通过引入“外挂知识库”，使 AI 在回答前先查阅权威医学文献，确保诊疗建议具有坚实的数据支撑和引用来源。

== 技术逻辑与实现路径 ==
RAG 架构将 AI 的生成过程从“盲目回忆”转变为“开卷考试”，其生化模拟流程如下：

<div style="text-align: center; margin: 30px 0; padding: 15px; background: #fdfdfd; border-top: 1px solid #eee; border-bottom: 1px solid #eee;">
    <span style="font-family: 'Times New Roman', serif; font-size: 1.1em; font-weight: bold; color: #2563eb;">索引 (数据向量化)</span>
    <span style="margin: 0 15px; color: #94a3b8; font-size: 1.4em;">→</span>
    <span style="font-family: 'Times New Roman', serif; font-size: 1.1em; color: #d93025; font-weight: bold;">检索 (召回相关片段)</span>
    <span style="margin: 0 15px; color: #94a3b8; font-size: 1.4em;">→</span>
    <span style="font-family: 'Times New Roman', serif; font-size: 1.2em; font-weight: bold; color: #059669;">生成 (融合上下文回答)</span>
</div>

== 临床应用特征与客观评估 ==
基于 **“智慧医生 (Smart Doctor)”** 系统的开发实践，RAG 与传统[[微调 (Fine-tuning)]]技术的对比评估如下：

<div style="overflow-x: auto; width: 90%; margin: 25px auto;">
{| class="wikitable" style="width: 100%; border-collapse: collapse; border: none; box-shadow: 0 4px 15px rgba(0,0,0,0.08); font-size: 0.95em; background-color: #fff;"
|+ style="font-weight: bold; font-size: 1.1em; margin-bottom: 12px; color: #2c3e50; text-align: center;" | 医学大模型优化路径对比 (RAG vs. Fine-tuning)
|- style="background-color: #eaeff5; color: #2c3e50; border-bottom: 2px solid #dce4ec;"
! style="text-align: left; padding: 12px 15px; width: 22%;" | 评估维度
! style="text-align: left; padding: 12px 15px;" | 检索增强生成 (RAG)
|- style="border-bottom: 1px solid #f1f5f9;"
| style="text-align: left; padding: 12px 15px; font-weight: 600; color: #546e7a; background-color: #fcfdfe;" | 知识更新速度
| style="text-align: left; padding: 12px 15px; color: #374151; line-height: 1.6;" | '''实时性极高。''' 只需更新向量数据库中的医学词条，AI 即可获取最新诊疗指南（如 2025 年 NCCN 更新）。
|- style="border-bottom: 1px solid #f1f5f9;"
| style="text-align: left; padding: 12px 15px; font-weight: 600; color: #546e7a; background-color: #fcfdfe;" | 数据可追溯性
| style="text-align: left; padding: 12px 15px; color: #374151; line-height: 1.6;" | '''支持引用来源。''' 每一句 AI 的结论都可以关联到 [[yixue.com]] 的具体页面或原始文献，提供学术可解释性。
|- style="border-bottom: 1px solid #f1f5f9;"
| style="text-align: left; padding: 12px 15px; font-weight: 600; color: #546e7a; background-color: #fcfdfe;" | 成本与门槛
| style="text-align: left; padding: 12px 15px; color: #374151; line-height: 1.6;" | '''相对较低。''' 无需重新训练庞大的模型权重，适合垂直领域（如私有医学大模型）的快速部署。
|- style="border-bottom: 1px solid #f1f5f9;"
| style="text-align: left; padding: 12px 15px; font-weight: 600; color: #546e7a; background-color: #fcfdfe;" | 性能局限性
| style="text-align: left; padding: 12px 15px; color: #374151; line-height: 1.6;" | '''客观限制：''' 严重依赖检索的质量。若原始医学词条存在模糊或错误，模型生成结果将直接受误导。
|}
</div>

== 核心关键关联 ==
* **[[向量数据库]]**：RAG 的核心基础设施，用于高效存储和检索医学语义向量。
* **[[知识图谱]] (KG)**：与 RAG 结合形成 GraphRAG，可增强对医学逻辑（如药物相互作用）的推理能力。
* **[[私有化部署]]**：对于医疗数据隐私至关重要，确保患者信息不外流的同时利用 RAG 提升诊疗精度。
* **[[医学百科 (yixue.com)]]**：作为 RAG 的高质量外部知识源，其数据的结构化水平决定了检索的上限。

== 参考文献 ==
* [1] Lewis P, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS, 2020.
* [2] Gao Y, et al. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv, 2024.
* [3] 《智慧医疗大模型安全与应用白皮书（2025）》：关于 RAG 在临床辅助决策中的稳定性要求。

{{reflist}}

<div style="clear: both; margin-top: 40px; border: 1px solid #a2a9b1; background-color: #f8f9fa; border-radius: 4px; overflow: hidden;">
<div style="background-color: #dee2e6; text-align: center; font-weight: bold; padding: 6px; border-bottom: 1px solid #a2a9b1; color: #374151;">智慧医生 (Dr. Smart) 技术栈导航</div>
{| style="width: 100%; background: transparent; border-spacing: 0; font-size: 0.85em;"
|-
! style="width: 15%; padding: 8px; background-color: #f1f5f9; text-align: right; border-bottom: 1px solid #fff;" | 架构层次
| style="padding: 8px; border-bottom: 1px solid #fff;" | [[垂直大模型]] • [[向量库]] • [[RAG 检索]] • [[Agent 智能体]]
|-
! style="width: 15%; padding: 8px; background-color: #f1f5f9; text-align: right; border-bottom: 1px solid #fff;" | 知识支撑
| style="padding: 8px; border-bottom: 1px solid #fff;" | [[医学百科]] • [[临床指南]] • [[PubMed]] • [[私有病历]]
|-
! style="width: 15%; padding: 8px; background-color: #f1f5f9; text-align: right;" | 核心性能
| style="padding: 8px;" | [[幻觉控制]] • [[诊疗推理]] • [[多模态分析]] • [[可解释性]]
|}
</div>

[[Category:人工智能]]
[[Category:自然语言处理]]
[[Category:数字医疗]]
[[Category:知识管理]]