AI
检索增强生成RAG
你可能会问
检索增强生成到底是什么？模型明明没学过我们的资料，为什么也能答对内部问题？
简单来说
回答前先从知识库检索相关资料，连同问题一起交给模型，让回答有据可依。
闭卷 · 直接问RAG · 先查再答答案不在模型脑子里
凭记忆补全对着资料作答有据可查，才敢当真
01 · 先这样理解
把抽象概念放进真实场景
回答前先从知识库检索相关资料，连同问题一起交给模型，让回答有据可依。
换个角度想RAG 像开卷考试：闭卷时全凭记忆，记不清就容易编；开卷时先翻到相关章节，对着材料作答——还能告诉你答案出自第几页。
02 · 点击演示
模型没学过的问题，怎么答对？
突出显示的部分，就是当前概念在整条流程中负责的位置。
- 递给模型的
问题报销上限是多少？知识库公司文档已接入 检索：报销 上限 标准
命中手册 3.2 节 · 相关度最高
- 拼进上下文的资料
手册 3.2差旅报销标准…手册 3.4特殊审批流程… - 有出处单日上限 800 元（手册 3.2）答案可核对，资料更新后回答跟着更新
1 / 4
Ask · 收到一个具体问题
03 · 放进真实任务
什么时候会遇到它
内部知识问答
公司文档、产品手册、历史工单——模型没学过的私有资料都能答。
需要新信息
训练截止之后的新闻、新版 API 文档，检索到什么就能用上什么。
要求可追溯
客服、法务这类答案必须给出处的场景，先检索才有引用。
04 · 想一想
用一个问题检查理解
同一个模型，直接问「我们产品支持 SSO 吗」会瞎编，接上 RAG 就答对了。是模型变聪明了吗？
查看答案
不是。模型没变，变的是上下文：RAG 把产品文档里相关的段落检索出来放进窗口，模型是「看着资料回答」，不是凭训练记忆。所以 RAG 的上限取决于检索质量——搜不到对的资料，模型照样编。
最容易踩的坑
RAG 不是防幻觉的保险箱：检索错了段落、或资料本身过期，模型会拿着错误依据一本正经地回答。资料库要维护，关键回答要看出处。