semaphore提示您：看后求收藏（新笔趣阁www.xbqg5200.com），接着再看更方便。
骤。接下来是检索步骤，它
根据输入的查询或问题，从向量数据库中检索出与查询最相关的前 k 个 chunk。这一步依赖于高效
的语义相似度计算方法，以确保检索到的 chunk 与查询具有高度的相关性。最后是生成步骤，它将
原始查询和检索到的 chunk 一起输入到预训练的 Transformer 模型（如 GPT 或 BERT）中，生成最
终的答案或文本。这个模型结合了原始查询的语义信息和检索到的相关上下文，以生成准确、连贯
且相关的文本。
RAG 的概念和初步实现是由 Douwe Kiela、Patrick Lewis 和 Ethan Perez 等人在 2020 年首次
提出的。他们在论文《Retrieval-augmented generation for knowledge-intensive nlp tasks》
中详细介绍了 RAG 的原理和应用，随后谷歌等搜索引擎公司已经开始探索如何将 RAG 技术应用到搜
索结果的生成中，以提高搜索结果的准确性和相关性。在医疗领域，RAG 技术可以帮助医生快速检
索医学知识，生成准确的诊断建议和治疗方案。
