AI专业术语
RAG
Retrieval-Augmented Generation
检索增强生成 · 给大模型配一个图书馆
RAGLLM
RAG
- 定义
- RAG（Retrieval-Augmented Generation）是AI领域的专业术语。RAG 是当前最实用的 LLM 增强技术：先从知识库中检索相关文档，再将检索结果作为上下文喂给 LLM 生成回答。
最后更新：2026-03-18
什么是RAG？
RAG 是当前最实用的 LLM 增强技术：先从知识库中检索相关文档，再将检索结果作为上下文喂给 LLM 生成回答。这大幅减少了幻觉问题，让 AI 的回答有据可查。
- 解决 LLM 幻觉问题的最实用方案
- 不需要微调模型，知识库更新即时生效
- 核心流程：索引 → 检索 → 生成
RAG详解
RAG 由 Meta 在 2020 年提出，已成为企业 AI 应用的标准架构。核心流程是：将文档切分为 chunk → 用 Embedding 模型转为向量 → 存入向量数据库 → 用户提问时检索相关 chunk → 将 chunk 作为上下文喂给 LLM 生成回答。RAG 的优势在于不需要微调模型、知识可实时更新、回答可溯源。挑战包括：检索质量直接影响生成质量、chunk 切分策略影响召回率、以及多跳推理场景下的检索不足。
RAG的应用场景
正式定义
通过先检索外部知识库中的相关信息再将其作为上下文输入大语言模型来生成更准确回答的技术架构
应用场景
- 企业知识库问答系统
- 文档智能搜索和摘要
- 客服机器人的知识增强
常见误区
- RAG 不能完全消除幻觉，检索结果不相关时模型仍可能编造
- RAG 不是万能的，需要高质量的知识库和检索策略
- RAG 和 Fine-tuning 不是互斥的，可以结合使用
实际案例
📌 企业知识库 RAG
某公司将 10 万份内部文档建成 RAG 系统，员工提问时自动检索相关文档并生成回答，准确率从纯 LLM 的 60% 提升到 92%，且每个回答都附带来源文档链接。
RAG的参考来源
关于RAG的常见问题
- RAG 和微调哪个更好
- RAG 适合需要实时知识更新的场景，微调适合需要改变模型行为或风格的场景，两者可以结合使用。
- RAG 的核心流程是什么
- 先将文档切块并向量化存储，用户提问时检索相关片段，将检索结果和问题一起送给 LLM 生成回答。