在自然语言处理领域，检索增强生成（RAG）一直是增强语言模型能力的热门方法，但它存在检索延迟、文档选择错误和系统复杂等问题。今天要给大家介绍的这篇论文 “Don’t Do RAG: When Cache-Augmented Generation is All You Need for Knowledge Tasks” 提出了一种新的范式 —— 缓存增强生成（CAG），为知识任务提供了更高效的解决方案。
研究背景
RAG 通过动态整合外部知识源，在处理开放域问题和专业任务方面表现出色。然而，其实时检索的需求导致了延迟，文档选择和排序的错误也会影响生成答案的质量，并且系统集成的复杂性增加了维护成本。随着长上下文大语言模型（LLMs）的发展，它们处理大量文本输入的能力为解决这些问题提供了新的思路。
方法介绍
CAG 框架
CAG 框架主要分为三个阶段：
CAG 方法相比传统 RAG 系统具有显著优势：减少了推理时间，因为无需实时检索；提供了统一的上下文，提高了响应质量和一致性；简化了系统架构，降低了开发和维护成本。
实验设置与结果
实验设置
使用斯坦福问答数据集（SQuAD）1.0 和 HotPotQA 数据集进行实验，为每个数据集创建了三个不同参考文本长度的测试集，以研究参考文本长度对检索难度的影响。实验在 Tesla V100 32G × 8 GPUs 上进行，所有实验均使用 Llama 3.1 8B 指令模型作为基础 LLM，并通过预计算的 KV 缓存预加载数据集上下文。
基线系统
基线 RAG 系统使用 LlamaIndex 框架实现，包括两种检索策略：BM25 稀疏检索和 OpenAI 密集检索。每个数据集分别进行评估，检索系统仅从相应数据集中获取段落。
实验结果
随着长上下文 LLMs 的发展，CAG 方法为重新思考传统 RAG 工作流程提供了有力的依据。虽然本文强调消除检索延迟，但未来也可以探索混合方法，如预加载基础上下文并结合选择性检索，以平衡效率和灵活性，适应不同场景的需求。
总之，CAG 方法在知识任务中展现出了巨大的潜力，为自然语言处理领域的研究和应用提供了新的方向。
