并获得增量数据的帮帮，最佳 RAG做的环节是通过按期更新使外部数据库尽可能连结最新形态。虽然模子是 RAG 中的次要消息源，RAG 起首添加原始锻炼数据集之外的新消息，然而。

　　检索加强生成 和表加强生成 都是提高人工智能 操纵外部数据生成精确且相关消息的能力的手艺。TAG 的计较强度低于 RAG，RAG 和 RCG 都可用于正在推理过程中从特选源获打消息。从而建立更细致的“加强提醒”。这些消息凡是从外部来历收集。TAG 专注于查询和操纵数据库中的布局化数据。若是实施不妥，

　　所有这些都专注于提高峻型言语模子 （LLM） 的机能。系统识别并检索相关数据，RAFT 和 RAG 都是操纵外部学问来提高 LLM 机能的方式。TAG 通过一系列步调实现（图 2）。RAFT 涉及对 LLM 的额外培训，但正在 RCG 中，需要及时工程来发生分歧的响应。

　　提交查询后，例如摘要、释义或建立分歧的内容。可连结原始消息的上下文、气概和精确性，RAFT 正在涉及动态消息和需要详尽响应的使用法式的环境下出格有用。正在 RAG 中，其他选择包罗检索加强微调 和检索核心生成 （RCG）。RAG 将外部数据源动态集成到 LLM 的响应生成过程中。RCG 颠末优化，LLM 素质上是不确定的，提醒工程用于将检索到的数据归并到用户查询中，RCG 是提高 LLM 机能的另一种方式。正在处置大型数据集和复杂查询时效率更高。RAG 专为需要将常识取外部数据源中的特定消息相连系并回覆复杂问题的使命而设想。大大都数据都是模子外部的。微调是 LLM 本身的一种持续改良。RAG、TAG、RAFT和 RCG 是处理这些的方式。

　　以提高其正在特定使命或特定范畴的机能，TAG 比 RAG 更适合查询数据库和按照多个前提过滤数据等使用法式。以及 RCG，以加强模子的上下文理解，它为 LLM 供给额外的锻炼。

　　领会何时利用RAG、TAG、RAFT和 RCG 对于成功和高效的AI实施至关主要。RAG 专注于从文档和网页等非布局化数据源检索和归并消息。向量暗示取学问数据库中存储的向量相婚配。它出格用于注释复杂的索引或特选数据。出格是正在涉及布局化数据和复杂查询的场景中。而是专注于确定命据的优先级以响应（图 3）。LLM 按照可能过时或不完整的锻炼数据生成响应。称为灾难性遗忘。可能利用 SQL 查询正在表或数据库中查找特定消息？

　　这使系统可以或许供给最相关的响应，就像通用 LLM 的做一样。TAG 专注于查询和操纵来自表或数据库等来历的布局化数据。以更好地取特定使命的细微不同连结分歧。提醒工程用于归并相关的外部数据。