2.1 为什么 RAG 首先是数据问题

很多人第一次做 RAG，最容易先把注意力放在模型上：

• 用哪个大模型
• Prompt 怎么写
• 要不要上更贵的模型

但真正做一段时间后你会发现，RAG 的第一性问题往往不是“模型够不够强”，而是“系统到底拿到了什么知识，以及这些知识能不能被正确找到和使用”。

RAG 不是把一堆材料塞给模型就结束了。它的前提是：这批材料本身要尽量干净、结构清楚、边界明确、可被切分、可被过滤、可被更新。

这一节真正想帮你建立的，是一个和很多初学者直觉相反的认识：

RAG 的上限，往往不是先被模型卡住，而是先被知识准备质量卡住。

如果知识本身有问题，后面无论是 Prompt、重排还是换更强模型，收益都会很快碰到天花板。

这一节最值得先建立的判断

在继续往后学之前，你最好先把这几个判断立住：

• “有资料”不等于“有可用知识”
• “资料最新”不等于“系统一定会优先用最新版本”
• “模型很强”不等于“系统会自动避开错误、过期或无权限的资料”
• “Demo 能回答”不等于“线上真实数据下也能稳定回答”

只有先接受这几个事实，后面你才不会一遇到效果问题就本能地先怀疑模型。

学这一节时，可以一直带着两个问题看

1. 如果系统答错了，问题更可能先出在知识本身，还是出在模型表达？
2. 如果想让系统稳定回答，应该先补模型能力，还是先补知识准备和检索基础？

这一节的几篇文章，基本都是围绕这两个问题展开的。

这一节会回答什么问题

• 做 RAG 之前，为什么要先处理数据而不是直接喂给模型？
• 为什么知识质量往往比模型参数更影响 RAG 效果？
• 为什么“有资料”不等于“资料可被有效检索和使用”？