RAG在人工智能和大语言模型语境里，通常指“RetrievalAugmented Generation”，中文一般翻译为“检索增强生成”。它的核心意思是：让大模型在回答问题或生成内容之前，先从外部知识库、文档库、网页、数据库或其他资料中检索出相关内容，再把这些检索到的内容作为上下文交给模型，让模型基于这些资料来生成答案。换句话说，RAG不是单纯依赖模型参数里已经学到的知识，而是把“先查资料，再作答”这个过程引入到生成流程中。
一个典型的RAG系统通常包含几个环节。第一是文档处理，把企业文档、产品手册、规章制度、论文、网页等整理成可检索的文本片段，并切分成适当大小的块。第二是向量化或索引，把这些文本块转换成向量表示，存入向量数据库，或者建立关键词索引、混合索引。第三是检索，当用户提出问题后，系统把问题也转换成向量或查询语句，在知识库中找出最相关的若干文本片段。第四是增强与生成，把用户问题和检索到的片段一起组织成提示词，交给大语言模型，让模型根据这些材料生成回答。很多系统还会增加重排序、答案引用、权限过滤和事实校验等步骤，以提高准确性。
RAG出现的重要原因是大语言模型存在知识截止、幻觉、缺乏企业内部信息、难以追溯来源等问题。模型训练完成后，参数中的知识是固定的，不能自动知道最新政策、公司内部流程或某个项目的细节。如果只靠微调来注入新知识，成本较高，而且更新不及时。RAG的优势是知识可以外挂，更新文档即可更新知识；回答可以附带出处，便于核查；对私有数据比较友好；还能减少模型凭空编造的概率。比如企业客服可以先用RAG检索产品说明书和售后政策，再让模型生成答复；法律或医疗场景可以检索法规、指南和病例资料，再生成有依据的草稿；个人知识管理工具可以检索笔记后回答问题。
RAG也有局限。检索结果不相关或遗漏关键资料时，生成质量会下降；文档切分、索引策略、召回数量和提示词设计都会影响效果；模型仍可能误读检索内容，或者把不相关片段拼进答案；权限控制和数据安全也需要额外设计。因此，RAG不是简单“接一个搜索框”，而是检索、排序、生成、评估和运维共同组成的工程体系。它和微调的区别可以理解为：微调更偏向让模型学习风格、任务模式和稳定能力，RAG更偏向让模型在回答时调用外部最新或私有知识。实际应用中，两者常常结合使用。除了人工智能领域，RAG在其他语境中也可能有不同含义，例如项目管理中的红黄绿状态评级等，但当人们讨论大模型、知识库问答和企业智能助手时，RAG通常就是指检索增强生成。 |
|
