RAG模型在实际项目中的应用案例

RAG模型在实际项目中的应用案例

引用

CSDN

1.

https://blog.csdn.net/goodxianping/article/details/144977285

RAG（Retrieval-Augmented Generation）模型通过结合检索和生成能力，能够从大量数据源中实时抽取相关信息，生成准确且有针对性的回复。以下是几个RAG模型在实际项目中的应用案例：

客户服务场景

• 电商平台智能客服：某电商平台利用RAG技术来自动化回答用户的咨询问题。传统的解决方案是基于FAQ的知识图谱，而RAG技术则能够根据用户的查询实时从商品详情、用户评价等多源信息中抽取相关段落，辅助生成准确的答案。例如，当用户询问某款手机的续航能力时，RAG模型会从商品描述中检索到该手机的电池容量、续航测试数据等信息，然后结合这些信息生成一个详细且针对性强的回复，如“该手机配备了5000mAh大容量电池，根据用户实际使用情况测试，充满电后可支持连续通话20小时、在线视频播放15小时，满足日常使用需求”。这种应用显著提高了客服人员的效率和质量，减少了人工干预的需求，提升了用户体验。

医疗健康咨询

• 在线健康平台疾病咨询：一个在线健康平台采用RAG技术为用户提供疾病预防、治疗方案等方面的建议。数据源包括医学期刊、官方指南、权威医疗机构的发布内容等。当用户输入症状描述或具体问题时，RAG模型的检索模块会基于这些信息从数据源中检索相关的医学文献、指南条目等，然后生成模块整合这些信息，生成针对用户情况的个性化建议。例如，用户咨询“高血压患者如何预防中风”，RAG模型会检索到高血压与中风的相关研究、预防措施等，并生成一份包含饮食建议（如低盐饮食）、生活方式调整（如适量运动、戒烟限酒）、药物治疗注意事项等内容的详细建议，确保所提供的信息是最新的、经过验证的，提高了咨询服务的专业性和可靠性，帮助用户做出更明智的健康决策。

金融报告撰写

• 金融行业报告自动化：金融行业经常需要撰写复杂的报告，这些报告通常包含大量的数据和分析。RAG可以帮助分析师快速找到所需的财务数据和市场分析，从而加速报告的撰写过程。例如，在撰写一份关于某上市公司年度财务报告时，RAG模型会根据报告主题或关键词从历史财务报表、市场研究报告、宏观经济指标等数据源中检索相关数据，如公司的收入、利润、资产负债情况、行业市场份额等。然后生成模块结合这些数据和分析结果，生成报告内容，包括财务数据的详细解读、市场趋势分析、公司未来发展前景预测等，提升了报告的质量和制作效率，有助于分析师更快地完成任务。

企业知识问答

• 阿里云智能问答：阿里云在构建基于RAG的智能问答系统时，考虑到文档具有多层标题属性且不同标题之间存在关联性，提出了多粒度知识提取方案。按照不同标题级别对文档进行拆分，然后基于Qwen14b模型和RefGPT训练了一个面向知识提取任务的专属模型，对各个粒度的chunk进行知识提取和组合，并通过去重和降噪的过程保证知识不丢失、不冗余。最终将文档知识提取成多个事实型对话，提升检索效果，使得企业内部员工能够快速准确地获取所需的知识信息，提高工作效率。

• 哈啰出行知识问答优化：哈啰出行采用多路召回的方式优化RAG系统，主要包括向量召回和搜索召回。向量召回使用了大模型的向量和传统深度模型向量两类；搜索召回也是多链路的，包括关键词、ngram等。通过多路召回的方式，可以达到较高的召回查全率，从而提升知识问答的准确性和全面性。