检索增强生成（RAG）

用一个例子理解

问「本校研学活动的报销要求是什么」，系统先检索学校制度中的相关段落，再据此组织答案。能否答对取决于找没找到、资料是否最新、模型是否正确使用。

再深入一层

常见实现会切分文档、建立检索索引、查找相关片段，再把结果放进提示与上下文。检索可以使用关键词、向量相似度或混合方式。日常 RAG 查询主要改变本次参考信息，不必为了每个新文件训练模型。

它不能说明什么

RAG 不保证资料正确，也不能保证模型完全按资料作答。它与微调的主要区别是把知识取来参考，还是通过训练调整参数；实际系统可以把两者组合。

接下来可以了解

• 上下文（Context）
• 低秩适配（LoRA）
• 截断与压缩（Context Management）

资料依据

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks：检索与生成结合；参考外部非参数化资料。

资料核验于 2026-09-09；原论文用于说明机制，文中例子为教学示例。