检索增强生成

典型的 RAG 流程分三步：先把文档切分成片段，转换为嵌入向量，存入向量数据库或搜索索引；用户提问时，系统检索与问题最相似的片段；再把这些片段插入提示词，由模型据此生成回答，并常附上引用。这一术语出自 Lewis 等人 2020 年的论文。

大多数“与文档对话”类产品、AI 客服和企业搜索助手都基于 RAG。它让通用模型无需重新训练，就能回答涉及私有信息或最新信息的问题。比较这类工具时，可以问清楚：内容如何切分和建立索引、回答是否注明出处、权限如何控制，以及索引多久刷新一次。

举例：HR 助手回答“公司提供多少天育儿假？”时，会检索员工手册中的相关章节并加以引用。

局限：RAG 的效果取决于检索质量。如果没找到正确段落，或文档本身过时、相互矛盾，模型仍可能答错。RAG 能减少幻觉，但无法完全消除。