• RAG（检索增强生成） 是一种结合 信息检索（Retrieval） 和 文本生成（Generation） 的 AI 技术，主要用于提升大语言模型（LLM）在知识密集型任务中的表现。

核心思想

1. 检索（Retrieval）****：先从外部知识库（如数据库、文档、网页）检索与问题相关的信息。
2. 增强（Augmentation）****：将检索到的信息作为上下文输入给生成模型。
3. 生成（Generation）****：模型基于检索到的信息生成更准确、更可靠的回答。

RAG的作用

1. 动态知识扩展

• 突破模型训练数据限制**：传统大语言模型（如GPT）仅依赖训练时的静态知识，而 RAG 能实时检索外部知识库（如数据库、文档、网页），生成更与时俱进的回答。**
• 示例**：回答“2023年诺贝尔奖得主是谁？”时，RAG 可检索最新新闻，而传统模型可能返回过时信息。**

2. 减少幻觉（Hallucination）

• 基于事实生成**：通过检索真实数据作为依据，大幅降低模型“编造”错误答案的概率。**
• 示例**：医疗咨询中，RAG 会引用权威医学指南，而非凭空生成诊断建议。**

3. 提升专业领域准确性

• 结合领域知识库**：在法律、金融、科研等专业场景中，RAG 能精准检索术语、法规或论文，生成符合规范的答案。**

4. 支持可解释性

• 答案溯源**：可标注生成结果的来源（如“根据XX研究报告”），增强用户信任**

RAG 的局限性

• 依赖检索质量**：若知识库不完整或检索算法差，生成结果仍会出错。**
• 响应速度较慢**：需额外时间检索数据，不适合实时性要求极高的场景。**
• 知识库维护成本**：需持续更新外部数据源以保证准确性**