你好，我是小树。这是我为你写的第 98 封信。每期都会同步更新在微信公众号一颗小树。
这周来分享一下我最近正在尝试的 AI 辅助阅读论文的方法。
我们以这篇Retrieval-Augmented Generation for Large Language Models: A Survey论文为例。
这篇论文从比较上层的视角，介绍了检索生成技术（RAG），希望借助它解决大语言模型（LLMs）处理特定领域知识的局限性，比如幻觉、过时和推理过程不透明。论文详细地介绍了检索（Retrieval）、生成（Generation）和增强（Augmentation）的各个环节，解释了不同 RAG 技术的演进过程以及度量方法，承认了目前的限制，展望了未来的研究方向。
说到这里，其实我已经开始看不懂了，不过没关系，让我们请出今天的主角 - Kimi。
和 ChatGPT 等主流的大模型不同，Kimi 最大的差异点在于超长无损的记忆能力，这意味着它在处理更长的信息内容的同时，还能保持足够高的精准度。
我日常使用比较多的是 Web 端，浏览器中访问 https://kimi.moonshot.cn/ 即可。
界面很简洁，输入框用来输入 prompt，点击右边的文件图标可以上传本地文件，支持最多 50 个，每个 100 MB 的文件上传，支持 pdf、doc、xlsx、ppt、txt、图片等格式。
我已经提前把上面这篇论文以 PDF 的格式下载好，接下来看看它的表现如何。
这篇论文一共有 26 页，是全英文的，如果要全部读完需要很长时间。
特别是现在，AI 领域发展一日千里，知识迭代非常快，论文数量也非常多，因此，我希望借助 AI 进行一轮初步的筛选。
我们知道，论文的结构相对比较固定，通常是这样：标题 → 概要 → 导言 → 方法 → 实验 → 结论。
因此，我可以先借助这样的结构，概括性地了解整篇论文的关键内容。
我的 prompt 是：
请从以下 5 个方面帮我总结这篇论文：
1. 解决了哪些问题？
2. 提出了哪些解决方案？
3. 解决方案中关键的方法/步骤/策略是什么？
4. 最终的结论是什么？
5. 其中的解决方案有哪些约束和限制？
请有条理地组织以上信息，确保覆盖到每一方面。它的回答是：
看起来还不错，要点都覆盖到了。
接着，我会针对我想要了解的细节，进一步提问。
针对不同的场景，可以用一点简单的提问策略。
What：让 Kimi 基于论文内容解释不熟悉的概念。
Why：为什么要使用这种解决方案，有哪些优点。
How：在论文中解决方案具体是如何经过实验验证的。
同时，为了让 Kimi 能够更聚焦在论文内容本身，并且发现感兴趣或不确定的内容能够快速印证，我们优化一下提问的方式。
我的 prompt 是：
问题：对比解释一下 Naive RAG、Advanced RAG、Modular RAG 的优缺点。
请先从文档中拉取 2-3 条上述问题相关的引用(quotes)。然后回复上述问题。如果文档内容不包含问题相关信息，请回复文档中没有相关内容。它的回答是：
这样一来，我就大致理解了三种不同的 RAG 技术的优缺点，并且可以通过原文的引用在论文中进行搜索和查看。
如果有进一步的问题，可以通过这种提问策略，继续深入和它探讨。
通过这种方式，就可以快速了解一篇论文的核心内容，并且针对我的感兴趣地内容，不断深挖。
如果论文内容很感兴趣，就可以在此基础上继续精读；如果内容泛泛而谈或者自己比较熟悉，就可以快速完成浏览。
最后，Kimi 是国内的产品，没有网络和访问的限制，目前也是完全免费的状态。
如果大家有兴趣都可以访问 Kimi(https://kimi.moonshot.cn/) 体验，和我无利益相关，确实很好用。
这篇文章的内容还参考了：
特此致谢。
碎碎念
祝大家龙年大吉，开开心心过大年。
从这周开始休假，过年期间随缘更新，休息最重要。
谢谢你的关注，我们下期再见。👋🏻
往期推荐
你也可以在这里找到我：即刻、Twitter、微信公众号一颗小树。
如果你觉得这篇文章对你有用，欢迎分享给更多好友。