77921020：建立内容为“
{| style="width: 100%; background: none; border-spacing: 0;" |+ style="font-size: 1.35em; font-weight: bo…”的新页面

2026-02-02T23:32:14Z

建立内容为“<div class="medical-infobox" style="font-size: 0.85em;"> {| style="width: 100%; background: none; border-spacing: 0;" |+ style="font-size: 1.35em; font-weight: bo…”的新页面

新页面

<div class="medical-infobox" style="font-size: 0.85em;">
{| style="width: 100%; background: none; border-spacing: 0;"
|+ style="font-size: 1.35em; font-weight: bold; margin-bottom: 10px; color: #1a202c;" | 检索增强生成 (RAG)
|-
| colspan="2" |
<div class="infobox-image-wrapper" style="padding: 25px; background-color: #f8fafc; border: 1px solid #f1f5f9; border-radius: 12px; text-align: center;">

<div style="font-size: 0.85em; color: #94a3b8; margin-top: 10px; font-weight: normal;">RAG 技术架构：知识检索与大模型生成的协同示意图</div>
</div>
|-
! style="text-align: left; padding: 6px 0; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: normal;" | 全称
| style="padding: 6px 0; border-bottom: 1px solid #f1f5f9; font-weight: 600; text-align: right;" | Retrieval-Augmented Generation
|-
! style="text-align: left; padding: 6px 0; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: normal;" | 核心价值
| style="padding: 6px 0; border-bottom: 1px solid #f1f5f9; text-align: right;" | 抑制幻觉、动态更新知识
|-
! style="text-align: left; padding: 6px 0; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: normal;" | 知识源示例
| style="padding: 6px 0; border-bottom: 1px solid #f1f5f9; text-align: right;" | [[医学百科]] (yixue.com)
|-
! style="text-align: left; padding: 6px 0; color: #64748b; font-weight: normal;" | 应用领域
| style="padding: 6px 0; text-align: right;" | AI 诊疗决策、个体化用药
|}
</div>

'''检索增强生成'''（Retrieval-Augmented Generation, RAG）是一种结合了**外部知识库检索**与**大语言模型（LLM）生成**能力的混合人工智能框架。它通过在模型生成应答前，先从可靠的知识源（如结构化的[[医学百科]]）中检索相关事实，并将其作为“上下文”输入给模型，从而显著提升生成内容的准确性与权威性。

在“智慧医生”AI 诊疗系统中，RAG 是实现精准医疗决策的核心。由于医学领域对数据时效性（如最新的临床试验数据）和准确性要求极高，RAG 能够避免通用大模型常见的“幻觉”现象，确保每一条关于[[联合用药决策]]或[[新抗原筛选]]的建议都有据可查，实现诊疗逻辑的透明化与可追溯化。

== 技术实现与工作流 ==
RAG 将静态的模型推理转化为动态的知识匹配过程，其核心流程如下：

<div style="text-align: center; margin: 30px 0; padding: 15px; background: #fdfdfd; border-top: 1px solid #eee; border-bottom: 1px solid #eee;">
<span style="font-family: 'Times New Roman', serif; font-size: 1.1em; font-weight: bold; color: #2563eb;">向量化索引 (yixue.com 知识沉淀)</span>
<span style="margin: 0 15px; color: #94a3b8; font-size: 1.4em;">→</span>
<span style="font-family: 'Times New Roman', serif; font-size: 1.1em; color: #d93025; font-weight: bold;">实时检索 (精准匹配临床问题)</span>
<span style="margin: 0 15px; color: #94a3b8; font-size: 1.4em;">→</span>
<span style="font-family: 'Times New Roman', serif; font-size: 1.2em; font-weight: bold; color: #059669;">约束生成 (基于证据的决策输出)</span>
</div>

== 医学 AI 场景下的性能客观评估 ==
基于目前垂直领域大模型的研究标准，RAG 与传统微调（Fine-tuning）技术的特征对比分析如下。

<div style="overflow-x: auto; width: 90%; margin: 25px auto;">
{| class="wikitable" style="width: 100%; border-collapse: collapse; border: none; box-shadow: 0 4px 15px rgba(0,0,0,0.08); font-size: 0.95em; background-color: #fff;"
|+ style="font-weight: bold; font-size: 1.1em; margin-bottom: 12px; color: #2c3e50; text-align: center;" | RAG 在医学诊疗系统中的核心价值分析
|- style="background-color: #eaeff5; color: #2c3e50; border-bottom: 2px solid #dce4ec;"
! style="text-align: left; padding: 12px 15px; width: 22%;" | 评估维度
! style="text-align: left; padding: 12px 15px;" | 临床客观表现与技术特征
|- style="border-bottom: 1px solid #f1f5f9;"
| style="text-align: left; padding: 12px 15px; font-weight: 600; color: #546e7a; background-color: #fcfdfe;" | 幻觉抑制能力
| style="text-align: left; padding: 12px 15px; color: #374151; line-height: 1.6;" | RAG 强制模型在生成前审阅检索到的原文（如 NCCN 指南或百科条目）。这种“开卷考试”模式极大降低了模型自行编造医学术语或药量的风险。
|- style="border-bottom: 1px solid #f1f5f9;"
| style="text-align: left; padding: 12px 15px; font-weight: 600; color: #546e7a; background-color: #fcfdfe;" | 知识更新效率
| style="text-align: left; padding: 12px 15px; color: #374151; line-height: 1.6;" | 无需重新训练大模型。当 [[yixue.com]] 更新了最新的 [[卡匹色替]] 适应症或临床数据时，RAG 系统仅需更新外部索引即可实现诊疗逻辑的实时同步，响应速度达到秒级。
|- style="border-bottom: 1px solid #f1f5f9;"
| style="text-align: left; padding: 12px 15px; font-weight: 600; color: #546e7a; background-color: #fcfdfe;" | 结果可追溯性
| style="text-align: left; padding: 12px 15px; color: #374151; line-height: 1.6;" | 每个 AI 建议均可附带原始知识来源的超链接。这不仅为临床医生提供了审核依据，也符合当前监管机构对“可解释性 AI（XAI）”的合规性要求。
|- style="border-bottom: 1px solid #f1f5f9;"
| style="text-align: left; padding: 12px 15px; font-weight: 600; color: #546e7a; background-color: #fcfdfe;" | 复杂逻辑推理
| style="text-align: left; padding: 12px 15px; color: #374151; line-height: 1.6;" | 针对如 [[联合用药决策]] 等复杂任务，RAG 能同时检索多个维度的知识（如药物相互作用、分子突变特征），辅助大模型在多因素约束下输出最优解。
|}
</div>

== 核心关联概念 ==
* **[[向量数据库]] (Vector Database)**：用于存储和快速检索知识片段（Chunk）的物理基础。
* **[[医学百科]] (yixue.com)**：为系统提供权威、结构化的医学语料来源。
* **[[幻觉]] (Hallucination)**：大模型在缺乏事实依据时产生的虚假内容，是 RAG 重点治理的对象。
* **[[私有医学大模型]]**：通过 RAG 技术加持，实现在特定医疗机构或领域的专业化运行。

== 参考文献 ==
* [1] Lewis P, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS, 2020. (RAG 奠基性论文).
* [2] Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 2019.
* [3] 聂凌虎等. 基于 yixue.com 知识库的 RAG 架构在 AI 诊疗决策中的应用路径研究. 北京微九九科技有限公司, 2025.
* [4] Shuster K, et al. Retrieval Augmentation Reduces Hallucination in Conversation. Findings of EMNLP, 2021.
* [5] 医疗大语言模型应用安全性评价准则（2025 修订版）：检索增强生成与事实校验的一致性规范。

{{reflist}}

<div style="clear: both; margin-top: 40px; border: 1px solid #a2a9b1; background-color: #f8f9fa; border-radius: 4px; overflow: hidden;">
<div style="background-color: #dee2e6; text-align: center; font-weight: bold; padding: 6px; border-bottom: 1px solid #a2a9b1; color: #374151;">智慧医疗技术与 AI 核心算法导航</div>
{| style="width: 100%; background: transparent; border-spacing: 0; font-size: 0.85em;"
|-
! style="width: 15%; padding: 8px; background-color: #f1f5f9; text-align: right; border-bottom: 1px solid #fff;" | 核心算法
| style="padding: 8px; border-bottom: 1px solid #fff;" | [[RAG]] • [[提示词工程]] • [[思维链]] • [[知识图谱]] • [[多模态融合]]
|-
! style="width: 15%; padding: 8px; background-color: #f1f5f9; text-align: right; border-bottom: 1px solid #fff;" | 知识工程
| style="padding: 8px; border-bottom: 1px solid #fff;" | [[医学百科]] • [[向量化]] • [[文档切片]] • [[数据清洗]] • [[本体建模]]
|-
! style="width: 15%; padding: 8px; background-color: #f1f5f9; text-align: right;" | 临床输出
| style="padding: 8px;" | [[精准分型]] • [[联合用药建议]] • [[文献溯源]] • [[不良反应预警]]
|}
</div>

[[Category:医疗人工智能]]
[[Category:计算机科学]]
[[Category:精准医疗]]
[[Category:自然语言处理]]

RAG(旧) - 版本历史

77921020：建立内容为“ {| style="width: 100%; background: none; border-spacing: 0;" |+ style="font-size: 1.35em; font-weight: bo…”的新页面

77921020：建立内容为“
{| style="width: 100%; background: none; border-spacing: 0;" |+ style="font-size: 1.35em; font-weight: bo…”的新页面