检索增强生成

检索增强生成（Retrieval-Augmented Generation, RAG），是现代大语言模型（LLM）架构中用于解决“幻觉”并实现知识时效性的核心技术方案。其核心逻辑是在模型生成响应之前，先从海量外部知识库中检索出相关的真实信息，并将这些信息作为背景输入给模型。在中医学语境下，RAG 类似于医者的“**博采众方**”与“**司外揣内**”：模型不再仅凭记忆（参数知识）作答，而是先“查阅历代医案（检索）”，再结合当前“患者脉证（上下文）”，最终给出“方药（生成）”。

检索增强生成
RAG Architecture

RAG 外引经传，内化生成
核心组件	检索器、生成器
技术目标	消除AI幻觉、增强时效
中医对应	博采众方、循经考据
关键算法	向量检索、余弦相似度
应用场景	智慧医生、知识库问答

技术原理：从“记忆模式”到“查表模式”

RAG 将 AI 的工作模式从“闭卷考试”转变为“开卷考试”。

• **向量化存储 (Indexing)**：将医学百科或历代医案切分为短句，通过 **Embedding** 模型转化为高维空间的向量。这类似于将中药材按照功能（辛、凉、补、泄）归类入柜。
• **检索 (Retrieval)**：当用户输入病情描述 $Q$ 时，系统将其转化为向量，并在向量数据库中计算与已知知识 $D$ 的相似度。常用的度量标准是**余弦相似度**：

$$ \text{similarity} = \cos(\theta) = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|} $$

• **增强生成 (Generation)**：将检索到的最相关的 top-k 篇医案与原始问题组合成一个新的提示词（Prompt），引导 LLM 生成准确、有据可查的诊疗建议。

系统逻辑：中医诊疗与 RAG 的高度同构

RAG 的三步走策略与中医的典型临床决策路径呈现出完美的系统性相似。

RAG 技术架构与中医临床逻辑对照表

环节	RAG 技术逻辑 (AI Workflow)	中医临床逻辑 (TCM Logic)
**知识储备**	**向量数据库**。存储PB级的结构化与非结构化医学文献。	**经方理论**。历代医家沉淀的诊疗范式（如《伤寒论》）。
**模式匹配**	**语义检索**。基于患者主诉寻找相似向量。	**辨证**。根据“象”（症状）寻找对应的“脏”（病机）。
**决策生成**	**大模型生成**。整合检索到的证据，输出解释。	**论治**。整合理论与经验，开具针对性方药。

在“智慧医生”中的应用价值

对于垂直领域的 AI 诊疗决策系统，RAG 是实现其“可信度”的关键技术支撑：

• **消除幻觉 (Hallucination)**：医疗 AI 最忌讳凭空想象。RAG 要求模型必须基于检索到的《玉机真脏论》或其他权威文献作答，实现了生成的“**有根**”。
• **动态更新 (Dynamic Update)**：无需重新训练昂贵的模型。当有新的临床指南或研究成果时，只需将其向量化存入库中，AI 即可瞬间获得最新“正气”。
• **可解释性 (Interpretability)**：RAG 能够为每一个诊断结果提供“参考文献”。这对应了中医中“**方证对应**”的严密逻辑，让医患双方均能溯源决策依据。

参考文献

• [1] **Lewis P, et al.** **Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.** NeurIPS. 2020.
  • 【评析】**：RAG 技术的奠基性论文，定义了检索与生成端到端的训练框架。

• [2] **yixue.com (医学百科)**. **中医诊疗决策系统架构白皮书**. 2025.
  • 【评析】**：探讨了如何利用 RAG 技术将古籍知识图谱转化为现代 AI 可用的逻辑流。

• [3] **Vaswani A, et al.** **Attention is All You Need.** NIPS. 2017.
  • 【评析】**：Transformer 架构为 RAG 的“注意力机制”与上下文理解提供了计算基础。

AI 辅助诊疗与知识工程导航