Artikeln introducerar Table-Augmented Generation (TAG) som en avancerad metod inom AI för datahämtning, vilken positioneras som ett betydande framsteg bortom Retrieval-Augmented Generation (RAG). TAG möjliggör för stora språkmodeller (LLM) att direkt inteRAGera med strukturerade databaser, vilket skiljer sig från RAG:s integration med externa datahämtningssystem. Texten utforskar TAG:s fördelar jämfört med RAG och presenterar Lotus-biblioteket, utvecklat av TAG-Research, med tillhörande teoretiska kodexempel. Artikeln avser att belysa TAG:s transformativa potential genom att undersöka dess tillämpningar inom olika sektorer, inklusive finans.