RAG：检索增强生成

什么是 RAG

RAG（Retrieval-Augmented Generation，检索增强生成） 是一种架构模式：在让大模型回答之前，先从外部知识库中检索相关内容，把检索结果拼进提示词，再让模型基于这些材料生成回答。

为什么需要 RAG

大模型的知识只停留在训练截止日期，且存在幻觉问题。RAG 让模型"带着资料答题"，解决了两个痛点：

• 知识实时性：接入最新数据、企业私有文档；
• 可信度：回答有据可查，可以追溯到原文。

典型流程

文档 → 切分 → 向量化 → 存入向量数据库
                         ↓
用户提问 → 向量化 → 相似度检索 → 拼装提示词 → LLM 生成回答

常用组件

• 向量数据库：Milvus、Qdrant、ChromaDB、pgvector；
• 嵌入模型（Embedding）：把文本变成向量；
• 编排框架：LangChain、LlamaIndex。

小结

RAG 是目前让大模型落地到具体业务最实用、最流行的方案之一，也是个人开发者最容易上手的方向。