定义

托管检索器是人工智能架构中的一个复杂组件，通常用于检索增强生成（RAG）系统。其主要功能是从大型外部知识库中高效地搜索、检索和选择最相关、最高质量的数据块，为大型语言模型（LLM）提供上下文，以便其生成响应。

与简单的关键词搜索不同，托管检索器利用先进的技术——通常涉及向量嵌入和语义相似性——来理解用户查询的含义，而不仅仅是匹配的单词。

为什么它很重要

LLM 输出的质量与其接收到的输入上下文的质量成正比。如果没有强大的检索器，LLM 的知识就仅限于其训练数据，这会导致“幻觉”或过时的答案。托管检索器通过将 LLM 与专有、实时或特定领域的数据相结合，弥补了这一差距。

这种能力对于企业采用至关重要，它允许公司部署能够准确谈论其内部文档、产品目录或监管指南的 LLM。

工作原理

该过程通常遵循以下步骤：

1. 索引： 将外部文档分解成更小的块，并使用嵌入模型将每个块转换为称为向量嵌入的高维数值表示。
2. 存储： 将这些向量以及指向原始文本块的指针存储在专门的向量数据库中。
3. 查询： 当用户提出问题时，查询本身也会被转换为向量嵌入。
4. 检索： 托管检索器在向量数据库中执行相似性搜索（例如，余弦相似度），以找到与查询向量在意义上最接近的数据向量。
5. 增强： 将检索到的前 $K$ 个文本块连同原始提示一起传递给 LLM，指示 LLM 仅根据所提供的上下文来回答。

常见用例

• 企业问答： 允许员工查询内部维基、标准操作程序（SOP）和技术手册。
• 客户支持机器人： 根据最新的产品文档或支持工单提供准确的答案。
• 法律/合规搜索： 从庞大的法律文档库中检索特定的条款或判例。
• 个性化推荐引擎： 为定制建议获取相关的用户历史记录或产品规格。

主要优势

• 减少幻觉： 通过强制 LLM 依赖经过验证的外部数据，虚构信息的发生率显著降低。
• 领域特定性： 使 LLM 能够在狭窄、专业化的领域内执行专家级任务。
• 可更新性： 知识库可以独立于 LLM 进行更新，确保 AI 保持最新，而无需进行昂贵的模型再训练。

挑战

• 分块策略： 确定文本块的最佳大小和重叠度至关重要；太小会丢失上下文，太大则会引入噪声。
• 嵌入质量： 嵌入模型的选择直接影响检索准确性。不良的嵌入模型会产生不良的结果。
• 延迟： 检索步骤增加了整体生成管道的延迟，这对于实时应用必须加以管理。

相关概念

• 向量数据库： 嵌入驻留的专用存储层。
• 嵌入模型： 负责将文本转换为向量的模型。
• 生成式 AI： 利用 LLM 进行内容创作的总体领域。