RAG：不重新训练，也能让它"知道"你的资料
先查资料，再回答。这是目前最主流的"给 AI 装上私有知识"的办法，也是很多企业产品的底层做法。
一句话定义：RAG（Retrieval-Augmented Generation，检索增强生成）是"先从你的资料库里搜出相关片段，再把这些片段交给模型回答"的做法。
一个比喻：不是让医生背下所有病历，而是让他先翻到你这一页，看着病历给你诊断。
它解决什么问题
模型的三个天然缺陷：
- 不知道你的内部资料（公司制度、产品手册、私人笔记）
- 知识有截止日期
- 容易编（不知道就硬答）
RAG 的思路很朴素：别让它凭记忆答，先给它原文。
流程长什么样
1. 把你的资料切成小段（几百字一段）
2. 每段转成"向量"（可以理解成给每段打一个语义指纹）
3. 你提问时，把问题也转成向量
4. 找出指纹最接近的几段（语义相似度检索）
5. 把这几段 + 你的问题一起交给模型
6. 模型基于这几段回答，并可标注引用关键在第 6 步：模型只被允许基于给出的片段回答，这就大幅降低了幻觉。
你在哪会遇到它
- 各种"上传文档后提问"的功能（本质就是 RAG）
- 企业知识库问答机器人
- 客服系统里的"按知识库回答"
- 一些 AI 搜索产品
它和"微调"的区别
| RAG | 微调 | |
|---|---|---|
| 改什么 | 给什么资料 | 改模型参数 |
| 适合 | 知识问答、查资料 | 固定风格、固定格式、专门任务 |
| 更新 | 换文档即可，即时生效 | 要重新训练 |
| 成本 | 低 | 高 |
| 会不会编 | 有原文可依据，编得少 | 仍会编 |
大多数人要的是 RAG，不是微调。 你想让它"知道公司制度"，那属于知识，不属于能力。
效果差，通常是这三处
- 切段太粗：一整章塞成一段，检索出来一大坨，模型抓不住重点
- 只做字面匹配：你说"报销流程"，文档里写"费用核销"，搜不到
- 检索到了但没用：片段太长，关键那句被淹没