RAG 是什么？让大模型先查资料，再回答问题

先用一个日常场景理解

假设你要回答一位同事关于公司报销流程的问题。只靠记忆，你可能记住了旧版本的规则；先打开最新制度，再整理成易懂的答复，就更容易回答准确。RAG，也就是检索增强生成，把类似的步骤放进了 AI 应用。

它通常先从文档中找到与问题有关的片段，再把这些片段连同问题交给模型，让模型依据资料生成回答。检索负责寻找依据，模型负责组织语言。

从资料到答案，发生了什么

应用会先整理资料，把长文档拆成适合检索的小段，并建立索引。收到问题后，检索环节选出相关段落，再交给模型。最终页面可以同时呈现答案和资料出处，让读者回到原文核对。

例如“报销截止日期是什么时候”这个问题，应该找到包含日期和适用范围的制度段落。如果只检索到了报销材料清单，即使模型语言流畅，也没有回答所需的依据。

有引用，不等于不会出错

资料可能已经过期，检索可能漏掉关键例外，模型也可能错误理解原文。因此，要把“找到了来源”和“来源支持这个结论”分开检查。实际使用时，可以点击引用，核对日期、适用对象和完整上下文。

如果资料没有答案，合理的系统应当说明依据不足，而不是把猜测包装成确定结论。涉及重要决定时，还需要由了解业务的人核对。

什么时候值得使用

当答案依赖经常更新的产品资料、团队文档或知识库时，RAG 很有价值。如果只是修改一段你已经提供的文字，未必需要额外的检索系统。先明确问题需要哪些资料，再决定技术方案，比直接堆工具更有效。