RAG for biological models

What is RAG？

Retrieval-Augmented Generation (RAG) 技术，中文名是检索增强生成，RAG通过检索获取相关的知识并将其融入Prompt，让大模型能够参考相应的知识从而给出合理回答。因此，可以将RAG的核心理解为“检索+生成”，前者主要是利用向量数据库的高效存储和检索能力，召回目标知识；后者则是利用大模型和Prompt工程，将召回的知识合理利用，生成目标答案。主要的优势是方便地将外部知识注入大模型。好处有:

扩展性强，外部数据直接更新到数据库而不用重新训练或者微调模型本身
结果可控，减少出现幻觉，因为检索到结果直接对应了最终生成的结果
可解释性强
定制能力，数据安全能力强

在使用中，主要分为两个阶段：

数据准备阶段：数据提取 » 文本分割 » 向量化（embedding）» 数据入库
应用阶段：用户提问 » 数据检索（召回） » 注入Prompt » LLM生成答案

How to use it in biological models？

TBD