什么是 RAG？让 AI 先查资料再回答的检索增强生成
·
0 次浏览
·来源: 866ai
RAG（检索增强生成）让大模型回答前先从指定资料库检索相关内容，是解决 AI 幻觉与知识过期的主流方案，也是企业落地 AI 的第一课。
直接问大模型「我们公司的报销制度是什么」，它多半会编一个像模像样的答案——因为你的公司制度不在它的训练数据里。检索增强生成（RAG）就是为解决这类问题而生的技术：让模型回答之前，先去指定的资料库里查找相关内容，再基于查到的材料作答。
RAG 的三步流程
第一步是知识入库：把文档（制度、手册、网页）切分成小段，用向量化模型把每段转成一组数字（向量），存入向量数据库。第二步是检索：用户提问时，把问题也转成向量，找出语义最相近的几个文档片段。第三步是生成：把问题连同检索到的片段一起塞给大模型，并附上指令「仅根据以下材料回答」。
为什么 RAG 成了企业落地的标配
对企业来说，RAG 的吸引力在于三点：一是知识可随时更新，文档换了重新入库即可，不用重新训练模型；二是答案可溯源，回答能附上出处段落，便于核实；三是成本远低于微调，不需要动模型参数。客服知识库、企业内部问答、法律条文助手，基本都是 RAG 的形状。
用好 RAG 的关键细节
RAG 的效果瓶颈往往不在模型而在检索：文档切分太碎会丢失上下文，太粗则检索不精准；向量相似度高不等于答案相关，需要结合关键词检索做混合召回；检索回来的内容过多还会稀释注意力。实践中的经验是：宁可给模型「少而准」的材料，也不要塞满整页相关但不作答的内容。
如果你在评估各类「AI 知识库」产品，理解 RAG 这套流程就能快速看懂它们的差异点到底在检索质量还是模型能力——这往往比看宣传页有用得多。