检索增强生成（RAG）（2026.08.24）

概念编号：060

一句话理解

RAG 就是先帮模型找到相关资料，再让模型根据这些资料回答问题。
建议学习：十分钟了解 RAG 基本原理（B站视频） ⭐

苏苏的入门解释

检索增强生成（RAG）：阅读技术文档。

作用：解决“上学中没学的问题”。

这个比喻很直观：模型本来没有学过你的公司制度、私人笔记或刚发布的文档，RAG 可以在回答前把相关资料找出来，临时放到它的工作空间里。

具体解释

RAG 这个缩写来自 Retrieval-Augmented Generation，通常可以拆成三步：

1. 检索（Retrieval）：根据用户问题，从文档库、数据库、网页或其他资料源找到相关内容；
2. 增强（Augmented）：把检索到的内容整理成模型能够理解的上下文；
3. 生成（Generation）：模型结合问题和资料生成回答，必要时附上来源。

文档较多时，系统常会先把资料切成片段，再用关键词搜索、向量检索或混合检索找到候选内容。对小白来说，只要记住“先查资料，再回答”即可。

它能解决什么问题

• 让模型参考企业制度、课程材料、个人笔记和项目文档；
• 为变化较快的知识提供比旧训练数据更及时的资料；
• 减少模型凭印象回答的机会，并为答案提供可追溯来源；
• 不必为了每次新增文档都重新训练整个模型。

边界与风险

• RAG 不等于训练模型：资料通常只在当前任务中临时提供给模型。
• RAG 不保证零幻觉：如果检索错了、资料过时或模型误读，仍然可能答错。
• 资料多不等于检索好：文档切分、索引、召回、排序和权限都会影响结果。
• 外部资料不是天然可信：网页和文档可能包含错误信息或提示注入。
• RAG 不替代思考：模型仍需要理解资料、比较证据和组织答案。

例子

你把公司的报销制度放进知识库，问“出差住宿怎么报销？”RAG 会先找到相关制度条款，再让模型用更容易理解的语言回答，并最好把原文位置一起给出来。

相关概念

• 上下文窗口（Context Window）（2026.08.24）：检索结果需要放入模型当前上下文。
• 幻觉（Hallucination）（2026.08.24）：RAG 的目标之一是降低无依据回答，但不能完全消除。
• MCP（模型上下文协议）（2026.08.24）：MCP 可以帮助 Agent 接入外部数据和检索工具。
• Agent（智能体）（2026.08.18）

来源

• 如何借助 AI 深度分析 B 站的视频：已有 RAG 和资料检索实践入口。
• LLM Wiki：区分 RAG、Wiki 编译层和 Agent 长期记忆。
• AI学习导航：RAG 与知识库学习入口。
• 本轮 AI 概念清单原始笔记：提供“阅读技术文档”的入门解释。

概念卡更新日志

• 2026.08.24｜创建概念卡：依据已有 RAG 相关实践、LLM Wiki 与用户提供的“阅读技术文档”解释，登记为 060。