RAG(检索增强生成)是数据锚定作答的主流范式:作答前先从你的知识库检索最相关片段并注入提示。模型不再依赖冻结的记忆,而是基于你鲜活的真实文本回答。
标准循环:文档切块 → 嵌入 → 存入向量库 → 按用户问题检索 →(重排)→ 注入 → 带引用生成。2026 一代已进化到 GraphRAG 与 Agentic RAG:多跳、自提问式检索。
何时不用:小而静止的文档(直接粘贴)与无需外部数据的任务。RAG 有基础设施成本,其价值随数据体量与新鲜度放大。
RAG

在回答前先从知识源检索相关文档并提供给模型——使回答基于真实、最新的数据而非静态训练记忆。
RAG(检索增强生成)是数据锚定作答的主流范式:作答前先从你的知识库检索最相关片段并注入提示。模型不再依赖冻结的记忆,而是基于你鲜活的真实文本回答。
标准循环:文档切块 → 嵌入 → 存入向量库 → 按用户问题检索 →(重排)→ 注入 → 带引用生成。2026 一代已进化到 GraphRAG 与 Agentic RAG:多跳、自提问式检索。
何时不用:小而静止的文档(直接粘贴)与无需外部数据的任务。RAG 有基础设施成本,其价值随数据体量与新鲜度放大。