第29天基础课：检索增强生成 RAG
你有没有遇到过这种情况：问 AI 一个最新问题，它却用旧知识回答，甚至一本正经地说错？RAG 的思路就像写作业前先查资料：先从资料库里找到相关内容，再让 AI 根据资料作答。它不能保证每次都正确，但能明显减少过时回答和凭空编造。本课用「图书馆查资料」的例子，Understanding RAG 的基本流程和适用场景。
一、RAG 是什么：让 AI 带着资料回答
RAG 是 Retrieval-Augmented Generation 的缩写，中文通常叫「检索增强生成」。Retrieval 是「检索」，就是从资料中查找；Augmented 是「增强」，把查到的内容补充给模型；Generation 是「生成」，让模型依据这些内容写出答案。简单说，普通 AI 主要靠训练时学到的知识回答；RAG 则像做阅读理解：先拿到指定资料，再依据资料回答。资料可以是产品手册、公司制度、合同、论文或实时网页。RAG 不是重新训练模型，而是在回答前增加一次查资料的步骤。
二、RAG 的基本流程：拆问题、找资料、带着资料回答
第一步是理解问题，把用户的问题转成适合检索的关键词，例如把「我们产品的保修期多久」转成「产品 保修 政策」。关键词就是帮助系统找资料的搜索词。第二步是检索，系统从知识库中找出可能相关的文档片段。第三步是重排，把最相关、最可信的内容放到前面，这一步叫 reranking，也就是「重新排序」。第四步是生成，把问题和查到的资料一起交给 AI，并要求它只依据资料回答；如果资料不足，就明确说不知道。最后还可以加一步核验，检查答案是否真的受到资料支持。这个流程像去图书馆：先确定书名，再翻到相关页码，最后写一段有依据的摘要。
三、RAG 怎样降低过时与幻觉
过时问题是「AI 不知道最近发生了什么」，例如最新法规已经更新，但模型仍按旧知识回答。RAG 可以接入更新更快的资料库，回答前读取最新文档，从而提供较新的依据。幻觉是「AI 编造不存在的事实」，例如虚构保修条款或捏造论文。RAG 通过提供可引用的原文、要求仅依据资料回答，并检查答案是否得到资料支持来降低风险。不过，查到资料不代表一定正确：如果检索找错内容、资料本身有误，或模型无视资料，答案仍可能出错。因此 RAG 是降低风险的方法，不是绝对保证。生产系统还应显示来源，并让人复核重要结论。
四、什么时候值得用，以及常见误区
RAG 特别适合知识经常变化、答案必须来自特定资料、需要追溯来源的场景，例如客服问答、企业制度查询、法律条款检索和产品助手。它能减少重复上传整本手册的麻烦，也能让回答更容易核查。常见误区有三个。第一，资料杂乱或过期，再好的检索也难得到可靠答案。第二，只写「请基于资料回答」却不给出资料，模型仍可能凭旧知识作答。第三，把 RAG 当成万能保险。实践中应先整理资料、标注来源与更新时间，设置「资料不足就拒答」的规则，并持续评估检索是否找对、答案是否有依据。评估可以看准确率、引用正确率和无依据回答比例。
停一下，确认你真的懂了
每题只能选择一次，不计分，也不会保存结果。
第 1 题
RAG 最核心的工作顺序是什么？
第 2 题
RAG 为什么有助于降低过时回答和幻觉？
第 3 题