RAG：给 AI 装上“外挂知识库”

RAG（检索增强生成）的思路是：先从知识库检索相关文档，再把文档连同问题一起发给模型，让模型基于检索结果作答。它解决了模型知识过时、无法访问私有数据的问题。

RAG 的优雅之处在于把“记忆”和“推理”解耦：知识存在数据库里随时更新，模型只负责理解问题和组织答案。这种架构既灵活又可控，是当前企业 AI 落地最成熟的技术范式。

## 核心要点

图片来源：Openverse / Ars Electronica（https://www.flickr.com/photos/36085842@N06/4957715946）

1. RAG 的成本远低于微调，且知识可以实时更新。

2. 检索质量是 RAG 的生命线，检索错了模型必然答错。

3. 文档切分策略、嵌入模型质量、重排序都影响最终效果。

4. 几乎所有企业级 AI 问答系统的底层架构都是 RAG。

图片来源：Openverse / jurvetson（https://www.flickr.com/photos/44124348109@N01/259968720）

## 写在最后

以上是关于「RAG」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。