RAG

为什么需要 RAG

LLM 的知识有边界：

• 它不知道你的私有知识库
• 可能不知道最新信息
• 在专业领域容易幻觉

RAG 的价值是：把"模型凭记忆回答"变成"模型先查资料再回答"，从而让回答有据可依、更可控、更有时效性。

什么是 RAG

一句话定义：RAG（检索增强生成）是"先检索外部资料，再基于资料生成回答"的架构。

它的核心流程：

用户问题
    ↓
1. 检索：找到最相关的文档片段
    ↓
2. 增强：把片段拼进 Prompt
    ↓
3. 生成：模型基于这些资料生成答案

类比：就像考试时让你"先看参考资料，再回答问题"——参考资料就是检索来的内容。

这个流程里，"检索"是最关键的一步。关于检索的具体方式，可以看 Retrieval 词条的详细说明。

怎么做：什么时候用 RAG

适合用 RAG 的场景：

• 公司内部文档问答
• 实时信息问答
• 法律、医疗、金融等专业问答

不一定需要 RAG 的场景：

• 通用常识问答（模型本身已具备）
• 简单的一次性生成（不需要外部知识）

常见坑：

• RAG 不是接了向量库就完事了：真正影响效果的是整条链路——怎么切 chunk、怎么检索、怎么拼接上下文、怎么让模型基于资料而不是自由发挥
• 检索越多不一定越好：无关上下文太多会干扰模型。这里就需要关注 Context Window 的限制，不是塞得越多越好
• RAG 不能彻底消灭幻觉：检索错、拼接错、生成错都可能继续出问题

记住这一句：RAG 让模型"先查后答"，解决的是模型知识边界和幻觉问题——但效果取决于整条检索链路的质量，不是换一个更强的模型就能解决。

相关词条：Retrieval · Embedding