rag系列文章目录
文章目录
前言
在做大模型应用RAG的时候，会发现一种特殊的场景，就是基于之前的case进行回答，比如法律咨询、医疗诊断等等。这种情况的问答，需要有强有力的case支持才行，有了case支持，大模型回答会更加准确。
一、CBR简介
CBR这个概念已经很久了，它是一种人工智能推理方法，它的基本思想是：
遇到新问题时，先回忆相似的过去案例，再基于这些案例进行调整，得到新问题的解答。
• 关键步骤（通常被总结为 4R）：
- Retrieve（检索）：在案例库中找到与当前问题最相似的案例。
- Reuse（复用）：借鉴案例的解决方案来应对当前问题。
- Revise（修正）：对方案进行调整，使其更适合当前问题。
- Retain（保留）：把新问题及解决方案存入案例库，供以后使用。
二、应用场景
CBR 在传统 AI 和现在的智能系统里都很有用，常见场景有：
• 医疗诊断：根据过往病例（案例）推理新病人的诊断和治疗方案。
• 法律咨询：检索相似案例判例，辅助新的法律推理。
• 技术支持/客服：根据历史工单问题，推荐解决方案。
• 教育领域：通过历史学生答题情况，给出个性化反馈。
• 工业故障诊断：借鉴历史设备故障案例，快速定位新故障原因。
三、RAG和CBR
RAG（Retrieval-Augmented Generation，检索增强生成）和 CBR 有相似之处：
• RAG：从知识库中检索文本片段，送入大模型作为上下文。
• CBR：从案例库中检索相似案例，借鉴其解决方案并调整。
在某种意义上，CBR 可以视为一种更结构化、更贴近应用的 RAG：
• RAG 偏重 "检索文档 → 辅助生成"。
• CBR 偏重 "检索案例 → 推理/调整解决方案"。
传统RAG，直接使用文本块作为知识，可能存在以下问题：
• 检索片段和问题语义不完全对齐；
• 模型无法直接借鉴完整的"解决方案"；
• 缺乏可复用的 经验逻辑。
而引入 CBR 可以提升：
- 检索粒度：直接检索"完整案例"（问题 + 解决方案），比单纯的知识点更贴近用户问题。
- 推理效率：模型可以基于过去"怎么解决"的完整上下文，快速类比，而不是从零生成。
- 可解释性：回答可以展示"参考案例"，让结果更可信。
- 持续学习：CBR 的 Retain 步骤可以不断积累新案例，相当于让 RAG 的库自动成长。
在论文中指出，使用CBR-RAG可以有效提高RAG问答准确率，其架构图如下：
总结
不仅在RAG中可以引入CBR，在agent中也可以引入CBR，比如在agent基于客户问题生成工作计划时，根据已有的案例生成工作计划，会更加可靠，防止大模型发散规划导致失败。