传统的LLM存在几个短板：编造事实、计算不准确、数据过时等，为了应对这几个问题，可以借助一些外部工具或数据把AI武装起来。
实现这一思路的框架包括RAG、PAL、ReAct。
1、RAG（检索增强生成）
LLM生成的内容会受到训练数据的影响，所以如果训练数据里对某个领域的文本覆盖不多，就没有办法很好的回答我们提出的问题，这个时候RAG就可以很好的解决这个问题。
RAG：通过提供外部文档，让模型访问外部知识库，获得更可靠和准确的回答。
具体步骤：
（1）外部知识文档要先被切分成一个个段落，因为LLM一次性能够接受的文本长度有限。每个段落会被转换成一系列向量，向量可以被看作是一串固定长度的数字，然后将一系列向量储存进向量数据库中。
（2）当我们提出问题时，这个提示也会被转换成向量，然后查找向量数据库中和用户的查询向量最为接近的段落向量，找到段落向量以后，段落信息会和原本的用户查询问题组合到一起，一块传给AI。这样AI就能把外部文档的段落作为上下文，基于里面的信息给出更严谨的回答。
RAG有利于搭建企业知识库或个人知识库。
2、PAL（程序辅助语言模型）
AI的另一个缺陷是，我们没有办法把它用作计算器，因为AI只会预测下一个最大概率的token，并不会真正的进行计算。
PAL的核心在于，我们不让AI直接生成计算结果，而是借助其他善于做计算的工具，如python解释器，那我们给AI的要求就变成，在涉及计算步骤时，生成得到计算结果所需的代码。
具体操作我们可以借助思维链，在prompt中通过小样本提示，给模型示范如何分步骤思考，写出解决问题所需的变量赋值、数学运算等等代码。当用户提问后，将用户的问题和我们已有的提示模板进行拼接，将拼接后的内容一并给到AI，将AI生成的代码给到python解释器，并将代码执行的结果返回给AI，让AI带着计算得到的答案对用户的问题进行回复。
相当于LLM得到了问题和答案，最终生成问题的回答。
3、ReAct（推理行动结合）
由于LLM天然受到训练数据日期的影响，没有办法得到最新的知识和内容。
ReAct核心在于，让模型进行动态推理，并采取行动与外界环境互动。
ReAct同样可以和思维链结合，使用小样本提示，展示给模型一个推理与行动结合的框架，针对问题，把步骤进行拆分，每个步骤要进行推理、行动、观察。推理是针对问题或上一步观察的思考，行动是基于推理与外部环境的一些交互（比如用搜索引擎对关键字进行搜索），观察是对行动得到的结果进行查看。
如果问AI2022年欧冠的冠军是哪个球队，它得到答案的过程可能是这样。
通过分布推理的思维链，模型不仅可以获得更准确的答案，而且我们也可以通过这些轨迹进行验证。
ReAct框架的Action，不专指搜索和浏览网页，而是AI模型所支持的任何行动（执行代码，数据库查找，API调用等）
