Naïve RAG(基礎型 RAG)

技術核心： 這是 RAG 的最初始形式，採用傳統的「檢索-閱讀」工作流程

原理：

索引（Indexing）：將原始資料轉成統一格式並分割資料，讓這些資料變成一個區塊(Chunks)，利用Embedding技術轉成向量(Vector)存入向量資料庫

檢索（Retrieval）：當User提出問題，把問題利用Embedding轉成向量，然後在資料庫裡面找到相似的資料(Chunk)

生成（Generation）：檢索到的資料(Chunk)與問題一起給LLM，生成最終答案，過程中LLM可以利用檢索外部資料補充知識

機制： 依賴簡單的關鍵字檢索技術（如 TF-IDF 和 BM25）從靜態數據集中獲取文檔

優點：可以再不更改LLM內部的知識下，通過外部資料增強生成的準確性

缺點：

• 檢索問題：缺乏上下文意識和精確度可能不足，導致無法捕捉到語意細微差別或是LLM產生錯誤或不相關的答案

• 整合困難：檢索時可能會因為資訊過多或複雜，難以有效整合或處理，導致無法辨識最相關的資訊或是生成結果不一致

• 生成問題：LLM有時會生成不準確或不連貫的答案，甚至發生「幻覺」現象，導致輸出會呈現碎片

儘管有這些局限性，但樸素的 RAG 系統為將檢索與生成結合提供了重要的概念驗證，為更複雜的範式奠定了基礎

參考資料：https://ithelp.ithome.com.tw/m/articles/10349310

相關筆記

• Advanced RAG(高級 RAG)：下一階段
• feature_engineering_rag_flow：實作：資料清洗、chunk、embedding 進向量庫
• RAG 系統架構圖