此为看完视频What is Retrieval-Augmented Generation (RAG)?后的笔记。
视频很intuitive，上面这张截屏包含了所有RAG的要点。
RAG是一个框架，解决了LLM的2个问题：
- No source。没有来源，没有证据来支持或证明你的观点。
- 过时。LLM只包括训练时包含的信息。
作者举了个例子，例如她孩子问：在我们的太阳系中，哪个行星拥有最多的卫星？
作者会回答：木星，有88颗卫星。
作者的答案是脱口而出的，但是未必有可信的证据（如NASA），同时，随着科学的进步，现在我们发现所以土星拥有最多的卫星，146 个。当然，未来答案还可能会变。
那RAG到哪里去寻找增强呢，答案就是作者左手上方的那四个青色的正方形：data store或content store。
data store可以是互联网，也可以是用户/企业私有的数据。如果有了新的知识，我们可以丰富或更新我们的data store。
这就解决了过时的问题。
可信方面，则是让大模型（客户端）去查询可信的数据源，从而避免了幻觉或数据泄露的问题。
所以，在RAG框架下，提示（prompt）包括3部分：
- 用户的问题
- 提请注意的指令
- （增强）检索到的内容
