人工智能服务平台提供商Aquant Inc.今日推出"检索增强对话"技术，这是一种让大型语言模型检索和呈现信息的全新方法，使AI能够像领域专家一样原生地提供指导，而不是以单一的一体化答案形式接收和呈现知识。
AI大型语言模型在面对用户提问时需要外部知识来更新其通用训练，这通常通过检索增强生成（RAG）来实现。RAG是一种从外部源检索相关信息的工作流程，能够提高准确性并减少幻觉现象。
这些工作流程可以搜索数十万份文档，检索最具上下文相关性的知识，并在大型语言模型一次性提供答案之前将这些信息呈现给它。但是否存在更好的方式将信息传递给AI和用户呢？
产品技术与实验室副总裁、检索增强对话之父Indresh Satyanarayana在接受采访时表示，RAC可以被理解为一个了解自身能力和容量的专家技术员。它帮助AI分析用户的问题，并提出后续问题来填补知识空白，生成定制化解决方案。
"RAG对领域无感知，对用户的真实目标漠不关心，对答案在具体情境中是否真正有用视而不见，"他说道。"RAC用问题解决思维取代了这种问答模式，它参与对话。"
据Satyanarayana介绍，与RAG不同，RAC引入了动态轮流机制，更像是与相关领域专家进行的人类对话。它旨在提供"小块行动"，避免用户认知过载。
例如，当用来协助技术员修理车辆发动机时，RAC会逐步了解发动机类型、零件和症状。相比之下，RAG系统会为AI应用生成完整文档，要么一次性全部显示，要么需要开发者解析才能产生对话界面。
不仅如此，RAC还可以根据开发者想要在AI应用中构建的角色，将更多数据点纳入其对话上下文。
"它不仅检索手册，还检索交易数据、作业历史、零件目录、物联网读数和关键绩效指标目标，然后在这个更丰富的上下文中进行推理，推荐最能平衡成本、风险和时间的行动，"Satyanarayana说道。
Satyanarayana表示，检索增强对话并非根本性地取代RAG，它仍将执行检索增强部分。文档仍需要被搜索和检索，这一方面将为用户指导对话。
另一方面，开发者可以决定他们的应用有多"健谈"。它可以进行一对一问题解决，一次解决一个模糊点，然后在所有问题都解决后提供最终答案。
或者，他们可以开发一个能同时解决多个问题的应用，就像某些人能同时保持多个对话线程一样——类似于研究时在Chrome中打开多个标签页——然后再解决问题。
"在某些地方，一些客户仍会选择单一文档RAG响应，"Satyanarayana说道。"但总体而言，我们的目标是重新设计对话层，摆脱生成模式，真正专注于对话。"
Satyanarayana表示，他预计在未来两年内，RAC可能成为引导式AI检索和指导的主要机制。他将其比作教练，因为它将结果视为目标和解决方案而非直接生成，与用户协作而不是向他们倾倒答案。
