1.1 RAG 核心定义：检索增强生成（Retrieval-Augmented Generation）

检索增强生成（Retrieval-Augmented Generation，简称 RAG） 是一种将信息检索与大语言模型生成能力相结合的 AI 技术框架。其核心思想是：在模型回答问题或生成文本之前，先从外部知识库（如文档、数据库、网页等）中检索到相关的信息片段，然后将这些检索到的内容作为上下文，一并提供给生成模型，帮助模型产出更准确、更可靠且可溯源的回答。

简单来说，RAG 让语言模型不再是“闭卷考试”，而是“开卷答题”——模型可以根据当前问题，临时查阅外部资料，再给出答案。

为什么需要 RAG？

传统大语言模型（如 GPT 系列）虽然表达能力强，但存在几个根本性局限：

知识截止与滞后：模型训练数据有截止日期，无法知晓训练后发生的事情。
幻觉问题：对不知道的内容，模型可能会编造细节，生成看似合理但实际错误的信息。
无法引用来源：即使回答正确，也难以追溯信息出处，在需要核实、审计的场景中不可靠。

RAG 通过将“检索”前置，使模型在生成时能够引用最新的、可信的外部知识，从而有效缓解上述问题。

RAG 的基本工作流程

一个典型的 RAG 系统通常包含以下步骤：

索引构建（离线阶段）

将外部知识源（如公司内部文档、产品手册、法律条款等）切分成若干小段（chunks），通过嵌入模型（embedding model）将每段文本转换成向量，存入向量数据库。这一过程只需在知识更新时重复，不参与每次提问的实时计算。

检索（在线阶段）

用户提问后，先将问题同样转换成向量，在向量数据库中通过相似度搜索，召回最相关的几个文本片段（例如 top‑k 个 chunk）。

增强与生成

把检索到的文本片段连同原始问题一起填入提示模板，构成完整的上下文，送给大语言模型。模型基于这些提供的内容生成最终回答，并可依据检索结果简要标明信息来源。

一个贴近现实的例子

假设你所在的公司使用 RAG 构建了内部知识库助手。员工提问：“今年的年假政策有哪些变化？”系统会：

将问题转为向量，在已索引的《员工手册》《福利政策修订通知》等文档中检索；
检索到两段相关文本：“年假天数由 15 天调整为 18 天”“未休年假的折算比例从 200% 提升至 250%”；
将这两段文字与问题组合，发给 LLM；
LLM 生成回答：“根据最新政策，今年起年假天数增加至 18 天，未休完的年假可按照 250% 的标准折算成薪资。详见《福利政策修订通知》第 2 条。”

这样，回答不但准确反映了最新政策，还能指明出处，方便员工进一步查阅。

RAG 与其他概念的区别

不是微调：RAG 不改变模型参数，而是动态注入外部知识；可随时更新知识库而无需重新训练。
不是单纯的搜索引擎：搜索引擎返回网页列表，需要人自行阅读；RAG 直接生成整合过的答案，同时保留溯源能力。

通过上述设计，RAG 在保持生成流畅性的同时，大幅提升了回答的事实准确性和实时性，是目前许多企业级智能问答、知识库应用的核心技术模式。