RAG 全称 Retrieval-Augmented Generation，意为检索增强生成，是一种将信息检索与大语言模型生成能力相结合的技术架构。当用户提问时，RAG 先从外部知识库（向量数据库、文档索引、搜索引擎）中检索相关片段，再将检索结果作为上下文注入 prompt，让模型基于真实信息生成回答。

你可以把它理解为给 AI 配了一本“可以实时翻阅的参考书”——模型不再只靠训练时学到的知识，而是每次回答前先去查资料。

RAG 的核心组件：

• 文档入库：将文档切片、向量化存入向量数据库
• 检索模块：根据用户问题检索最相关的文档片段
• 融合模块：将检索结果与原始问题拼接成 prompt
• 生成模块：LLM 基于增强后的上下文生成回答

大白话理解：

没有 RAG 的时候：

• 你问 AI “我们公司去年的销售额是多少？” → AI 不知道，因为它没学过你们公司的数据
• 你问 AI “这本书的第 3 章讲了什么？” → AI 只能凭训练时的记忆瞎猜
• AI 回答看起来很合理，但数据是编的 → 这就是“幻觉”

有了 RAG 之后：

• 你问 AI “我们公司去年的销售额” → AI 先去查公司数据库，找到真实数据，再回答
• 你问 AI “这本书第 3 章讲了什么” → AI 先去检索第 3 章的原文，再总结给你
• 回答有据可查，不再胡编乱造

打个比方：

一句话总结：

RAG 让 AI 在回答前先去查资料，解决了纯 LLM 的知识滞后和幻觉问题。