检索增强生成（RAG）是自然语言处理中的一种创新方法，它将检索机制与生成模型相结合，以增强文本的生成。
通过吸收来自已有源的外部知识，RAG 解决了生成与上下文相关且包含丰富信息的文本的挑战。这种集成使 RAG 能够克服传统生成模型的局限性，确保生成的文本基于事实信息和上下文。RAG 旨在通过高效检索并仅将最相关的信息纳入生成的文本中来解决信息过载问题，从而提高连贯性和准确性。总体而言，RAG 代表了 NLP 领域的一项重大进展，为文本生成提供了一种更强大、更具上下文感知能力的方法。
该技术的应用示例包括利用知识库回答支持请求的客户服务聊天机器人。
在检索增强生成（RAG）的背景下，知识播种（knowledge seeding）涉及将来自已有源的外部信息纳入生成过程，而查询（querying）是指从这些源检索相关知识以生成连贯且上下文准确的文本的机制。这两者均显示在下方。
- 客户端上传：向 API 端点发送包含文档的 POST 请求。
- 输入处理：使用 Workers 处理传入的请求，并向 Queues 发送消息以添加处理积压。
- 批量处理：使用 Queues 触发一个消费者（consumer）来分批处理输入文档，以防止下游过载。
- 嵌入向量生成：通过调用 Workers AI 文本嵌入模型为文档生成嵌入向量。
- 向量存储：将嵌入向量插入到 Vectorize 中。
- 文档存储：将文档插入到 D1 以进行持久化存储。
- 确认/重试机制：通过在消费者中为每个文档使用 Queues 运行时 API 信号指示成功/错误。如果需要， Queues 将安排重试。
- 客户端查询：向 API 端点发送带有查询的 GET 请求。
- 嵌入向量生成：通过调用 Workers AI 文本嵌入模型为传入的查询生成嵌入向量。
- 向量搜索：使用查询的向量表征查询 Vectorize，以检索相关的向量。
- 文档查找：根据来自 Vectorize 的搜索结果，从 D1 检索相关的文档。
- 文本生成：将原始查询和检索到的文档作为上下文传递给 Workers AI 文本生成模型来生成响应。