1.1.1 RAG 是什么？

RAG 是 Retrieval-Augmented Generation 的缩写，中文通常叫“检索增强生成”。它的核心思路很简单：先从外部知识源里找到和问题最相关的内容，再把这些内容连同用户问题一起交给大模型生成答案。

如果只看一句话，可以把 RAG 理解成：

让模型在回答之前，先查资料，再基于资料作答。

RAG在当前阶段之所以重要，是因为大模型本身的知识主要来自训练阶段。训练完成后，模型的内部知识就基本固定了。它可能不知道最新信息，也不知道你的私有文档、内部流程、产品细节和业务术语。RAG 的作用，就是把这部分"模型原本不知道，或者知道得不够准"的信息，在回答时临时补进来。

RAG 的核心组成是什么

一个典型的 RAG 系统，整体上分为离线和在线两个阶段，通常包含下面几步：

准备外部知识，比如文档、网页、FAQ、代码库或数据库内容。
把这些内容处理成更适合检索的形式，比如切块、补充元数据、建立索引。
当用户提问时，先从知识库里检索出相关内容。
把检索结果和用户问题一起组织成上下文。
让大模型基于这些上下文生成答案。

所以 RAG 不是某一个单点技术，而是一条完整链路。检索只是其中一环，生成也只是其中一环。真正的效果，取决于整条链路能不能协同起来。

一个最小化的代码示意

先用一段代码感受一下 RAG 在做什么：

python

# 仅示意：省略了具体框架、鉴权、异常处理和持久化

# 这个算是我们提前构建的知识库
knowledge_base = [
    "退款规则：商品签收后 7 天内支持无理由退货。",
    "发票规则：电子发票会在支付完成后 24 小时内开具。",
    "配送规则：偏远地区配送时间可能延长 2 到 3 天。"
]

# 这是一个简单的检索函数，根据关键词匹配返回最相关的文档
def retrieve(query: str, docs: list[str], top_k: int = 2) -> list[str]:
    keywords = [word for word in ["退款", "发票", "配送", "无理由退货"] if word in query]
    scored: list[tuple[int, str]] = []
    for doc in docs:
        score = sum(1 for word in keywords if word in doc)
        scored.append((score, doc))
    scored.sort(reverse=True)
    return [doc for _, doc in scored[:top_k]]


def generate_answer(query: str, contexts: list[str]) -> str:
    context_block = "\n".join(f"- {item}" for item in contexts)
    return f"问题：{query}\n参考资料：\n{context_block}\n\n请只基于参考资料回答。"


query = "退款可以几天内无理由退货？"
contexts = retrieve(query, knowledge_base)
prompt = generate_answer(query, contexts)
print(prompt)

这段代码还远远不是真正可用的 RAG，但它已经把最核心的三件事表现出来了：

先准备外部知识
再检索相关内容
最后基于内容生成回答

这里的 retrieve 只是一个便于理解流程的极简示意。真实系统里的检索，通常会比这个复杂得多，可能会用到：

关键词检索
向量检索
metadata 过滤
混合检索

所以读这段代码时，重点不是记住“具体这样实现检索”，而是先理解 RAG 的最小工作顺序。

为什么 RAG 会成为大模型应用里的常见方案

RAG 常见，不是因为它“高级”，而是因为它很实用。很多真实业务场景都同时有下面几种需求：

需要用到最新信息
需要接入私有知识
需要降低幻觉
需要让回答更容易追溯来源

这几件事，单靠基础模型往往做不好。模型可能会“说得像对”，但并不一定真的基于可靠资料。RAG 的价值就在于，它把“回答”和“证据”绑得更紧，让答案尽量建立在外部资料之上。

思考与讨论

在未来，随着基础模型越来越强大，你认为 RAG 会继续成为大模型应用里的常见方案吗？会有一个方案替代它吗？你有什么设想呢？大胆想象！

RAG 不等于万能

理解 RAG 时，一个很重要的前提是：RAG 的本质是给模型补充可检索的外部知识，而不是替代所有能力建设。

如果问题本身不需要外部知识，比如纯文本改写、风格模仿、分类打标签、固定格式抽取，那么 RAG 就不一定是重点。相反，如果问题高度依赖外部资料，尤其是依赖最新资料、私有资料或可引用资料，那么 RAG 往往会很有价值。

你可以先这样记住 RAG

第一次接触 RAG 时，可以先记住三个关键词：

外部知识：答案不只来自模型参数
检索：系统会先去找相关资料
生成：模型会基于资料组织语言并输出答案

后面你会看到，真正决定 RAG 质量的，不只是“有没有资料”，而是“资料能不能被找到、能不能被用好、能不能稳定支撑生成”。

1.1.1 RAG 是什么？ ​

RAG 的核心组成是什么 ​

一个最小化的代码示意 ​

为什么 RAG 会成为大模型应用里的常见方案 ​

RAG 不等于万能 ​