RAG

概念词 📚 基础词库 · 存量热词

检索增强生成

🔍 Google 联想 10 📅 首次出现 2026-08-28

🧠 RAG 是什么

RAG 即检索增强生成(Retrieval-Augmented Generation),由 Meta 研究团队在 2020 年论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中提出。它在大模型生成答案之前,先从外部知识库(如向量数据库、搜索引擎)检索相关文档,再让模型基于这些文档生成回答。

RAG 的核心价值在于把「知识存储」与「推理生成」分离:模型参数只负责推理,知识来自可随时更新、可溯源的外部索引。因此企业无需重训模型,就能把私有文档、实时数据接入大模型,并显著降低事实性错误。

主流实现框架包括 LangChain、LlamaIndex 等,流程通常分为索引、检索、生成三个阶段。2024 年以来,RAG 已成为企业落地大模型应用最主流的技术路线之一。

🔥 为什么现在火

大模型幻觉问题与企业私有数据接入需求,让 RAG 成为企业级 AI 应用的标准架构;几乎所有知识库问答产品和 AI 搜索都在采用 RAG 路线。

📄 证据链(交叉验证)

🔍 搜索形态

what is RAG retrieval augmented generation explained RAG vs fine-tuning RAG architecture

RAG 常见问题 FAQ

RAG 和大模型微调有什么区别?+

微调把知识固化进模型参数,成本高且难以更新;RAG 通过外部检索提供知识,无需重训模型,更灵活,但效果依赖检索质量。

RAG 有什么用?+

常用于企业知识库问答、智能客服、AI 搜索等场景,让大模型在不重训的情况下回答私有数据和实时信息问题,并附带出处。

与 RAG 相关的搜索

人们搜索 RAG 时,还会关心这些问题:

RAG 是什么
什么是 RAG
RAG 是什么意思
RAG 原理
RAG 有什么用
RAG 应用场景
RAG 为什么火
RAG 2026

RAG