定义

知识检索是指智能系统（通常是AI模型）从大型、通常是专有的知识库或文档语料库中访问、定位和提取相关信息的过程。与仅依赖预训练权重的生成式AI不同，检索系统在推理过程中通过提供特定于上下文的、最新的事实来增强模型的能力。

为什么它很重要

在企业应用中，通用大型语言模型（LLM）通常缺乏特定的领域专业知识或无法访问内部私有数据。知识检索通过将AI“锚定”在可验证的来源上解决了这个问题。这显著减轻了“幻觉”的风险——即模型生成听起来流畅但事实不正确的信息——从而使AI在业务关键任务中变得可信。

工作原理

现代知识检索系统通常采用检索增强生成（RAG）。该过程通常遵循以下步骤：

1. 索引： 源文档被分解成更小的块（chunks），并使用嵌入模型转换为称为向量嵌入的数值表示。这些向量存储在专门的向量数据库中。
2. 查询： 当用户提出问题时，查询也会被转换为向量嵌入。
3. 检索： 系统在向量数据库中执行相似性搜索（例如，余弦相似度），以找到其嵌入在数学上最接近查询嵌入的文档块。这些是语义上最相关的信息片段。
4. 增强与生成： 然后将这些检索到的块连同原始提示一起传递给LLM。LLM被指示仅使用所提供的上下文来回答用户的问题，从而产生一个有根据、准确的响应。

常见用例

知识检索为多种高价值的业务应用提供了动力：

• 内部问答机器人： 允许员工查询庞大的内部文档、人力资源政策或工程手册。
• 客户支持自动化： 为代理或聊天机器人提供实时访问最新产品规格或故障排除指南的能力。
• 法律和合规性审查： 使AI能够根据特定案例参数总结复杂的法律文本或监管文件。
• 个性化推荐引擎： 检索用户特定的交互数据以指导生成式输出。

主要优势

• 准确性和可信度： 响应可追溯到源文档，从而可以进行验证。
• 时效性： 系统可以在不进行昂贵的模型再训练的情况下纳入实时或最近更新的数据。
• 成本效益： 与在大量模型上进行微调以处理新数据相比，检索和提示现有LLM通常更具成本效益。

挑战

实施强大的知识检索并非易事。关键挑战包括：

• 分块策略： 确定文档块的最佳大小和重叠度对于有效的检索至关重要。
• 向量数据库管理： 维护、索引和查询庞大的向量存储需要大量的基础设施。
• 相关性排序： 确保检索到的顶级块确实是最相关的，尤其是在嘈杂的数据集中，需要复杂的重排序算法。

相关概念

该领域与语义搜索、向量数据库和微调紧密交叉。虽然微调会调整模型的权重来改变其表达方式，但知识检索通过提供外部上下文来改变它知道什么。