词条解释

普通模型回答问题时主要依赖训练阶段学到的知识，而 RAG 会在生成答案之前查询指定资料源，再把相关片段交给模型组织成自然语言回答。资料源可以是企业文档、产品手册、数据库、网页或内部制度。

为什么重要

RAG 解决的是大模型落地中的一个常见问题：模型表达能力很强，但并不天然知道企业私有资料和持续变化的信息。通过增加检索环节，回答依据更容易被控制和核对，也更适合用于专业场景。

典型应用

• 知识问答：将文档、制度或产品资料整理为可检索知识来源，辅助回答具体问题。
• 文档分析：围绕合同、论文、说明书或会议资料提取信息并形成摘要。
• 客服支持：结合更新后的业务资料回答常见咨询，减少信息过期带来的误差。

常见误区

• RAG 不等于简单搜索：检索结果还会交给模型理解、归纳并生成回答。
• RAG 不能完全消除幻觉：资料质量、切分方式、召回结果和模型配置都会影响答案。
• 知识库需要持续维护：过期资料会直接降低回答的可信度。

相关词条包括向量数据库、词嵌入、大语言模型。