GPTDAOCN-e/acc on Nostr: Anthropic的简便方法：降低RAGs错误率67% ...
Anthropic的简便方法：降低RAGs错误率67%
Anthropic公司通过一种非常简单的方法，将检索增强生成（RAGs）的错误率降低了67%。他们的方法叫做“上下文检索”（Contextual Retrieval）。下面用来解释这到底是什么意思：
1. 小文本片段的问题：以前，当系统存储信息时，只存储了非常简短和单一的信息片段。这会导致在以后需要检索和生成答案时，系统容易混淆和出错。例如，只存储“公司增长了3%”这样的信息，而没有具体说明是哪家公司、什么时候增长的。
2. 加入重要上下文：Anthropic的方法是在存储这些小文本片段之前，加入更多的细节和背景信息。比如，不仅仅说“公司增长了3%”，而是说“2023年，某某公司增长了3%”。这样，信息更加完整，系统在以后需要检索时，就能更准确地找到正确答案。
3. 提高准确性：这种方法让系统在处理和理解数据时更加高效，因为每个信息片段都有了更多的上下文。这样，在需要生成答案时，系统就不容易出错。
简单来说，Anthropic通过在存储信息时加入更多的背景细节，让系统以后更容易找到正确的答案，从而显著提高了准确性。他们称这种方法为“上下文检索”（Contextual Retrieval）。
Anthropic公司通过一种非常简单的方法，将检索增强生成（RAGs）的错误率降低了67%。他们的方法叫做“上下文检索”（Contextual Retrieval）。下面用来解释这到底是什么意思：
1. 小文本片段的问题：以前，当系统存储信息时，只存储了非常简短和单一的信息片段。这会导致在以后需要检索和生成答案时，系统容易混淆和出错。例如，只存储“公司增长了3%”这样的信息，而没有具体说明是哪家公司、什么时候增长的。
2. 加入重要上下文：Anthropic的方法是在存储这些小文本片段之前，加入更多的细节和背景信息。比如，不仅仅说“公司增长了3%”，而是说“2023年，某某公司增长了3%”。这样，信息更加完整，系统在以后需要检索时，就能更准确地找到正确答案。
3. 提高准确性：这种方法让系统在处理和理解数据时更加高效，因为每个信息片段都有了更多的上下文。这样，在需要生成答案时，系统就不容易出错。
简单来说，Anthropic通过在存储信息时加入更多的背景细节，让系统以后更容易找到正确的答案，从而显著提高了准确性。他们称这种方法为“上下文检索”（Contextual Retrieval）。