概述
推測性 RAG 透過讓一個小型、快速的模型從檢索到的文件中起草多個候選答案，然後由更大的模型進行驗證，來加速和銳化檢索增強的生成。這很重要，因為它可以減少延遲並減少大型模型在填充許多長段落時所遭受的混亂。
推測性 RAG 和檢索增強繪圖是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
經典 RAG 將所有檢索到的文件輸入到一個大語言模型中，這種模型速度很慢，並且當上下文很長時容易失去焦點。投机性的 RAG 会分割工作。一個較小的、專門的「起草者」模型會獲得檢索到的文檔簇，並並行產生多個候選答案，每個答案都基於不同的證據子集並附有理由。然後，一個更大的「驗證者」模型對這些草稿進行評分並選擇最好的一份，而不是自行閱讀所有文件。由於小模型處理繁重的閱讀，而大模型僅判斷短稿，因此系統速度更快，而且通常更準確。聚類步驟確保草稿涵蓋不同的觀點，而不是冗餘的段落。
技術洞察
檢索到的文件根據內容相似性進行聚類，然後從每個聚類中採樣一個文件以形成不同的、非冗餘的子集。輕量級起草者並行產生一個答案以及每個子集的基本原理。驗證者透過結合草稿的自洽性、理由的條件機率和自我反思訊號來計算置信度分數，然後選擇得分最高的草稿。這種分工反映了推測性解碼：廉價的並行提案，一項權威檢查。
掌握推测性 RAG 和检索增强起草
推測性 RAG 透過讓一個小型、快速的模型從檢索到的文件中起草多個候選答案，然後由更大的模型進行驗證，來加速和銳化檢索增強的生成。這很重要，因為它可以減少延遲並減少大型模型在填充許多長段落時所遭受的混亂。推測性 RAG 和檢索增強繪圖是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將推測性 RAG 和檢索增強起草視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，強大的團隊使用推測 RAG 和檢索增強起草來根據可靠性和成本優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
醫療問答助理，小型起草者並行閱讀集群臨床指南，大型模型驗證最安全、最受支持的答案。
一個企業搜尋機器人，可以從不同的文件叢集中起草多個候選答案，以減少長知識庫上的回應延遲。
一種法律研究工具，根據不同的判例法子集產生相互競爭的解釋，然後用驗證者模型對它們進行排名。
客戶支援系統提煉出特定領域的起草者來處理產品手冊，而通用驗證者則確保事實依據。
實施模式
实践中的推测性 RAG 和检索增强起草
醫療問答助理，小型起草者並行閱讀集群臨床指南，大型模型驗證最安全、最受支持的答案。
醫療問答助手，小型起草者並行讀取集群臨床指南，大型模型驗證最安全、最受支持的答案。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
实践中的推测性 RAG 和检索增强起草
一個企業搜尋機器人，可以從不同的文件叢集中起草多個候選答案，以減少長知識庫上的回應延遲。
一個企業搜尋機器人，可以從不同的文件叢集中起草多個候選答案，以減少長知識庫上的回應延遲。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
实践中的推测性 RAG 和检索增强起草
一種法律研究工具，根據不同的判例法子集產生相互競爭的解釋，然後用驗證者模型對它們進行排名。
一種法律研究工具，根據不同的判例法子集產生相互競爭的解釋，然後使用驗證者模型對它們進行排名。當團隊預先定義品質閾值、為邊緣案例保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
实践中的推测性 RAG 和检索增强起草
客戶支援系統提煉出特定領域的起草者來處理產品手冊，而通用驗證者則確保事實依據。
客戶支援系統提煉出特定領域的起草者來處理產品手冊，而通用驗證者則確保事實基礎。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。