Hämtningsförstärkt generering
Hämtningsförstärkt generering (RAG) är mönstret att hämta dokument vid frågetillfället och villkora en språkmodell med dem, istället för att förlita sig på vad modellen memorerade under träningen[1]. Termen kommer från en artikel från 2020 av Patrick Lewis och elva medförfattare, presenterad vid NeurIPS 2020[2]. En svarsmotor byggd på ett levande webbindex kör samma slinga, vilket sätter hämtbarhet före allt annat: Google kräver att en sida indexeras och är kvalificerad att visas i Google Sök innan den kan visas som en stödjande länk i AI-översikter eller AI-läge[3].
Artikeln från 2020
Lewis och medförfattare beskriver ett finjusteringsrecept för "modeller som kombinerar förtränad parametrisk och icke-parametrisk minne för språkgenerering"[2]. Den icke-parametriska halvan var en Wikipedia-dump från december 2018, förberedd så att "varje Wikipedia-artikel delas upp i 100-ordsstycken, för att skapa totalt 21 miljoner dokument"[4]. På Natural Questions-riktmärket uppnådde de hämtningsförstärkta modellerna 44,5 exakt matchning, jämfört med 34,5 för en modell med stängd bok av samma storlek[5]. En senare undersökning namnger de fel som mönstret riktar sig mot: "hallucinationer, föråldrad kunskap och icke-transparenta, ospårbara resonemangsprocesser"[6].
Hur svarsmotorer tillämpar det
En sökstödd assistent kör samma slinga med det levande webben som sin korpus. Google dokumenterar ett steg för frågespridning i AI-översikter och AI-läge, "utfärdar flera relaterade sökningar över underämnen och datakällor" för en fråga[7]. Var och en av dessa sökningar är ett hämtningsanrop, och genereringssteget skriver över vad hämtaren returnerade. Citat pekar på de hämtade dokumenten, så en sida som saknas i kandidatpoolen kan inte citeras oavsett hur bra den är[3].
Jordning tar inte bort hallucinationer
En förregistrerad Stanford-ledd utvärdering av kommersiella juridiska forskningsverktyg fann att LexisNexis Lexis+ AI och Thomson Reuters Westlaw AI-Assisted Research och Ask Practical Law AI hallucinerar på 17% till 33% av frågorna, trots att alla tre är byggda på hämtning[8]. Samma artikel rapporterar att leverantörernas egna påståenden om att eliminera eller undvika hallucinationer är överdrivna[8]. Det kvalificerar den ovanstående undersökningsramen: hämtning minskar det fel den riktar sig mot snarare än att eliminera det.
Position i kontextfönstret
Var ett hämtat stycke sitter i prompten ändrar om modellen använder det. Liu och medförfattare rapporterar att prestandan är högst när det relevanta dokumentet förekommer i början eller slutet av inmatningskontexten[9], och försämras avsevärt när modellen måste nå det mitt i en lång kontext, inklusive i modeller byggda för långa kontexter[10]. Rankning fortsätter därför att agera efter hämtning, i den ordning styckena sammanställs.
Varför hämtbarhet avgör citering
Hämtning sker per fråga, vilket flyttar de praktiska spakarna uppströms från skrivandet. Om en AI-sökrobot kan hämta sidan och om sidan är indexerad avgör inträde till poolen. Hur sidan delas upp i stycken avgör om rätt stycke får höga poäng för en given fråga. Hur aktuell den indexerade kopian är avgör om svaret återspeglar den aktuella versionen. Uppdelning ensam är mätbar: en utvärdering från 2026 på ett biomedicinskt relationsutvinningsriktmärke bytte ut fast storleksuppdelning mot ett semantiskt schema och flyttade noggrannheten från 74,2% till 82,6% F1[11]. Det är den lucka generativ sökmotoroptimering arbetar i.
Referenser (11)
- Retrieval-augmented generation - Wikipedia Arkiv
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks Arkiv
- AI-funktioner och din webbplats - Google Search Central Arkiv
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, fullständig text Arkiv
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Tabell 1 Arkiv
- Retrieval-Augmented Generation for Large Language Models: A Survey Arkiv
- AI-funktioner och din webbplats - Google Search Central Arkiv
- Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools
- Lost in the Middle: How Language Models Use Long Contexts
- Lost in the Middle: How Language Models Use Long Contexts
- Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation Arkiv
Senast uppdaterad 2026-09-04. Skriven och underhållen av Baseline Labs.
