检索增强生成RAG

你可能会说

AI 说它不知道我们公司的规定，能不能先把它查一遍再回答？

回答前先去你的资料库里查，把查到的段落连同问题一起交给模型，让它照着资料答并给出出处。例如问「退款政策上个月改过吗」，系统先在你的售后手册里搜出相关几段，只把命中的那一段发给模型；模型据此作答，并告诉你来源。没接资料库时，它只能按训练时学到的常识猜。

也常被叫作Retrieval-Augmented Generation检索增强知识库问答

运行流程 · 查一遍再答

用户提问我们的退款政策上个月改过吗？

① 在知识库里检索退款政策 v3 · 7 天无理由售后手册第 2 节 · 命中会员等级说明会员手册 · 无关运费说明售后手册第 5 节 · 无关

→

② 连同问题拼成一次请求问题 + 命中的 1 段资料 + 「只根据资料回答，并给出出处」

→

③ 模型作答“上个月没有改动，仍是 7 天无理由”
来源：售后手册第 2 节

先把问题转成能检索的形式（关键词或语义向量），而不是整段丢给模型

在切好块、算过向量的资料里捞出最相关的几段，命中的是块不是整本文档

把命中的段落、原问题和「只根据资料回答」的指令拼在一起，这才是模型真正看到的内容

模型根据这段资料作答并带上出处；资料里没有答案时，它应该说不知道，而不是补一个

容易混淆？这样区分

RAG≠微调

RAG 不改模型，只换资料库：手册更新了，第二天再问就是新答案。微调是拿数据去训练模型本身，要时间和成本，资料一变就得再训一次。

RAG≠把整本手册都塞给模型

一次请求能带的内容有限，越长越贵、也越容易抓错重点。RAG 的关键正是先筛后给：只把最相关的几段送进去。

常见做法 · Variants

关键词检索Keyword / BM25

搜索 "退款政策 v3"字面命中

专有名词、合同编号、型号这类必须一字不差的内容；换个说法就搜不到

语义检索Vector Search

买回来的东西想退⇒退款政策

用户不会用你的措辞提问时，按意思也能找到相关段落

混合检索 + 重排Hybrid + Rerank

两路候选+重新排序

多数产品实际在用：先广撒网，再把最靠得住的几条送到模型面前

典型使用场景

公司内部问答：把制度手册变成能问的助手

出差住宿标准是多少？

一线城市每晚 500 元以内。
来源：财务制度第 4 节

资料更新后第二天再问就是新答案，模型本身没动过

客服助手引用真实资料回答，而不是编一段客气话

订单 #2048已发货 3 天想退货

查到的规则
签收后 7 天内可退，运费由商家承担（数码类）

回答按这段规则写，附「退换货流程」链接