什么是 RAG？大模型为什么需要检索增强

什么是 RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是一种让大模型"先查资料再回答"的技术架构：回答前先从知识库检索相关内容，再基于检索结果生成答案。

大模型有两个硬伤：
知识过时：训练数据有截止时间。
幻觉：不知道就编。

RAG 用外部知识库补齐：企业文档、产品手册、私有数据都能成为回答依据。

第一步：把文档切块并向量化存入知识库。
第二步：用户提问后，把问题向量化，检索最相关的文档块。
第三步：把检索结果和问题一起交给大模型，生成引用来源的回答。

企业知识库问答：查内部制度、流程。
客服系统：基于产品文档回答。
法律医疗：引用条款与指南。
个人助手：基于你的笔记回答。

RAG：不改模型，动态查资料，适合高频更新的知识。
微调：改模型权重，适合固定风格的长期能力。
两者常配合使用。

RAG 是给大模型"配了图书馆"：先检索、后生成，让回答有依据、可溯源。它是企业落地大模型最常用的技术，解决了幻觉与时效两大痛点，也是当前 AI 应用开发的核心技能之一。