完整题目
请用自己的话解释一下什么是 RAG（检索增强生成）？大模型本身已经很强了，为什么还需要给它外挂 RAG？
本文目录
答案要点
- RAG（检索增强生成）= 检索 + 生成：先从外部知识库里找到相关资料，再让大模型参考这些资料来回答问题
- 大模型的知识“冻结”在训练完成那一刻，之后发生的新事情、企业内部的私有资料它都不知道
- 遇到不知道的问题，模型倾向于一本正经地编造，这叫“幻觉”（Hallucination，指模型生成看似合理但不符合事实的内容）
- RAG 用“开卷考试”的方式补知识：不改模型本身，只在回答前把资料塞进上下文
- 三大好处：知识可以随时更新、答案可以溯源、成本远低于重新训练模型
核心概念
RAG（Retrieval-Augmented Generation，检索增强生成）是一种让大模型在回答问题之前，先从外部知识库中检索相关资料，再基于这些资料生成答案的技术方案。它把模型“背在脑子里的知识”（训练时学到的参数）和“随时可查的资料库”（外部文档）结合了起来。
打个比方：纯大模型答题像闭卷考试，全靠训练时背下来的内容；RAG 则是开卷考试，答题前先翻书找到相关章节，再组织语言作答。
为什么大模型需要 RAG
| 大模型的短板 | RAG 怎么补 |
|---|---|
| 知识有截止日期，训练之后的新信息一概不知 | 知识库随时更新，不用重新训练模型 |
| 没见过企业内部文档、私有数据 | 把私有资料放进知识库即可注入 |
| 不知道时爱编造（幻觉） | 答案有检索到的原文支撑，可标注来源供核对 |
| 重新训练一次成本极高 | 只需维护知识库，工程成本低得多 |
一句话总结：RAG 不是让模型变得更聪明，而是让它“答题前能查资料”。用户提问时，系统先检索出最相关的几段内容，连同问题一起交给模型，模型“看着资料回答”，答案自然更准、更新、更可信。
入门之后，建议往两个方向继续深入：一是 RAG 的完整链路（文档解析、分块、向量化、检索、重排），二是 RAG 与微调这两条技术路线该怎么选。
换一种问法，检查是否真正理解
概念辨析
有人说 RAG 不就是把资料复制粘贴进提示词吗？你觉得这个理解对不对？RAG 和直接把整份文档塞进上下文，区别在哪里？
场景切入
假设公司要做一个内部规章制度问答机器人，员工问“产假有多少天”，直接用通用大模型回答会有什么风险？RAG 具体能怎么帮上忙？
练习口述回答 · 约2分钟
- 本质是开卷考试
- 补知识时效性和私有性
- 降幻觉与可审计
- 区分RAG和微调
这道题其实在问，大模型参数里已经存了很多知识了，为什么还要外挂一个检索系统。我的理解是，[[RAG]] 的本质不是让模型变得更聪明，而是让它从闭卷考试变成开卷考试，回答之前先查资料，再基于资料组织答案。
先说大模型的两大短板。第一，知识有截止日期，训练完了就不知道后面发生的事。比如你问今天的新政策、实时库存，它只能瞎编。第二，它不知道企业内部的私有数据，比如你们公司的 SOP、客服规则、合同条款。RAG 正好补这两块，它把事实性知识从模型参数里拆出来，放到一个可更新、可追溯的外部知识库里。知识更新就改文档，不用重新训练模型，成本低很多。
再一个，RAG 能有效降低[[幻觉]]，提升可审计性。纯生成时模型容易一本正经地编造，RAG 把回答约束在检索到的资料上，而且可以要求它引用来源。比如客服场景，用户问'退款什么时候到账'，RAG 会先查订单状态、支付规则、退款政策，再生成针对这个用户的回答。政策改了，改文档就生效，出了问题也能追溯到具体片段，合规审核容易很多。
这里有个很重要的边界。RAG 和微调不是二选一，而是解决不同问题。RAG 适合知识注入和事实更新，微调适合改变模型的行为风格或任务格式。比如让模型学会客服话术，可以用 [[SFT]]；但让模型知道今天最新的退款政策，就应该用 RAG，因为微调一次成本高，而且改完可能遗忘旧知识。真正落地时，常常是 RAG 加微调一起上。
不过 RAG 也不是万能。前提是知识库质量要过关，检索要准，不然脏数据喂给模型只会放大错误。如果问题需要强推理，检索结果只是零散片段，模型推理能力弱还是会答错。所以上线我会特别关注检索的召回率和 prompt 里约束模型不能脱离资料发挥。
如果面试官追问，我会说 RAG 落地时最常见的失败场景是检索召回不够，导致模型接不到有效信息，或者检索结果太多把模型上下文撑爆。所以我会把 RAG 看成检索负责提供事实，生成负责组织表达，两者需要一起调优。