什么是检索增强（RAG）？让 AI 先翻书再开口
大模型的一个老毛病：记不准
大模型的知识来自训练时的数据，一旦训练完，它的"脑子"就定格了，新发生的事它不知道。更麻烦的是，遇到不熟悉的问题，它有时会自信地编一段看似合理、其实错的答案——这就是常说的幻觉。拿它查公司内部的资料，它更是两眼一抹黑，因为那些内容从没进过它的训练集，它根本没有可凭的依据。这个毛病，单靠把模型做得更大，并不能真正解决。
RAG 是什么：先查资料再回答
RAG，全称检索增强生成，思路很朴素：别让模型凭记忆硬答，先去资料库里搜出相关内容，再让它照着这些资料组织答案。相当于开卷考试——模型不是靠背，而是现查现答，答案后面还能附上出处。这样哪怕模型本身不知道，也能靠检索到的材料给你一个靠谱答复，而不是凭空发挥。对用户来说，最直观的好处是：答案变得可核查，不再是一句来路不明的断言。
它怎么工作：检索+拼接+生成
流程分三步：先把你的文档切成一截截小片段，提前转成可搜索的向量；你提问时，系统先找出最相关的几段；最后把这些片段和你的问句一起交给大模型，让它基于给定材料作答。关键点在于，模型这次"有书可翻"，自然不容易胡说。如果资料里没有，它也会更诚实地说"我没找到"，而不是硬编一个听起来很像那么回事的答案。整条链路里，检索准不准，决定了答案的下限。
什么时候该用 RAG
它有三类典型场景：一是资料私有或常更新，比如企业手册、产品文档；二是要求答案可溯源，每条结论都能指回原文；三是领域专业、通用模型没掌握。很多客服助手、内部知识库，底层都是 RAG 在撑着。它把"通用聪明"和"专用资料"拼到了一起，让模型既懂语言，又懂你的具体业务。比起重新训练，它便宜、快，还能随时更新资料，因此成了落地最广泛的方案之一。
RAG 不是万能的
检索质量决定了上限：资料没切好、搜不准，模型再强也白搭。它也不能替代模型本身的推理。把它理解为"给 AI 配了个小图书馆"，而不是让 AI 变聪明——图书馆再全，也得读者会查。检索和生成任何一环掉链子，结果都会打折。所以上 RAG 之前，先要把文档整理干净、分好块，这往往比换一个更贵的模型更见效，也更省钱。说到底，RAG 解决的是"让 AI 说人话、还说得有据"这件事；它不替代模型，只是给模型配了一本随时能翻的参考书，让答案站得住脚。
