CAG來(lái)了，RAG慌了？
CAG：Cache-Augmented Generation 緩存增強(qiáng)生成。
不要做 RAG 了：當(dāng)緩存增強(qiáng)生成對(duì)于知識(shí)任務(wù)就足夠時(shí)
檢索增強(qiáng)生成（RAG）作為一種通過(guò)整合外部知識(shí)源來(lái)增強(qiáng)語(yǔ)言模型的有效方法，已經(jīng)得到了廣泛應(yīng)用。然而，RAG 引入了檢索延遲、文檔選擇潛在錯(cuò)誤和系統(tǒng)復(fù)雜性增加等挑戰(zhàn)。隨著具有顯著擴(kuò)展上下文窗口的大型語(yǔ)言模型（LLMs）的出現(xiàn)，本文提出了一種替代范式，即緩存增強(qiáng)生成（CAG），它繞過(guò)了實(shí)時(shí)檢索。我們的方法涉及預(yù)先加載所有相關(guān)資源，特別是當(dāng)檢索的文檔或知識(shí)有限且可管理時(shí)，將其加載到 LLM 的擴(kuò)展上下文中，并緩存其運(yùn)行時(shí)參數(shù)。在推理過(guò)程中，模型利用這些預(yù)先加載的參數(shù)來(lái)回答查詢(xún)，而無(wú)需額外的檢索步驟。比較分析表明，CAG 消除了檢索延遲，并最小化了檢索錯(cuò)誤，同時(shí)保持了上下文相關(guān)性。在多個(gè)基準(zhǔn)測(cè)試中的性能評(píng)估突出了長(zhǎng)上下文 LLMs 在哪些場(chǎng)景下優(yōu)于或補(bǔ)充了傳統(tǒng)的 RAG 管道。這些發(fā)現(xiàn)表明，對(duì)于某些應(yīng)用，尤其是那些知識(shí)庫(kù)受限的應(yīng)用，CAG 提供了一種簡(jiǎn)化和高效的替代方案，與 RAG 相比，在降低復(fù)雜性的同時(shí)實(shí)現(xiàn)可比或更優(yōu)的結(jié)果。
感覺(jué)還是longcontext VS RAG，隨便寫(xiě)寫(xiě)，好像容易被噴。
套了層緩存的殼。
{context} + prompt + query
CAG對(duì){context}部分的KV提前緩存， RAG的{context}部分是動(dòng)態(tài)的。
3個(gè)階段： 緩存 -> 推理 -> cacheReset（就是應(yīng)對(duì)多輪，超長(zhǎng)了，截?cái)嘁幌拢?/p>
優(yōu)勢(shì)：（引用）
- 知識(shí)庫(kù)有限且可控：當(dāng)需要處理的文檔或知識(shí)量不大時(shí)，CAG 可以輕松勝任。
- 追求極致效率：對(duì)于需要快速響應(yīng)的應(yīng)用，CAG 的優(yōu)勢(shì)更加突出。
- 需要一致的上下文理解：CAG 可以讓模型對(duì)所有知識(shí)有更全面的理解，從而生成更準(zhǔn)確、更一致的回答。
