RAG 检索增强生成是什么

大语言模型本质上是基于概率的序列生成器，其核心机制在于预测下一个最可能的词元。这种生成特性使得模型缺乏与外部事实的交互能力，容易产生看似合理但脱离事实的“幻觉”。检索增强生成（Retrieval-Augmented Generation, RAG）正是为弥合这一结构性缺陷而设计的技术架构。它通过在生成阶段之前引入信息检索步骤，将外部知识库中的事实性内容注入到模型的上下文中，从而约束模型基于检索到的证据生成回答。

架构与工作流

RAG 系统的运行逻辑可以拆解为检索与生成两个关键阶段。在接收到用户查询后，系统首先将该查询转化为向量表示，并在预先构建的外部知识库中进行相似度检索，提取出与查询语义最相关的文档片段。随后，这些检索到的片段与原始查询拼接，共同作为提示输入到大语言模型中。模型基于这些即时提供的外部上下文进行推理和文本生成，而非单纯依赖其在预训练阶段固化的参数化知识。

核心价值与知识外化

引入 RAG 架构的根本目的在于实现知识的外部化与动态更新。对于特定垂直领域或企业内部数据，传统的做法是通过微调将新知识固化进模型参数中，这种方式计算成本高昂且更新周期长。RAG 则将知识库与模型参数解耦，只需更新检索库中的文档即可实现知识的即时刷新。同时，由于生成过程受限于检索到的上下文，模型输出的可追溯性显著增强，能够明确指出信息来源，大幅降低了编造事实的风险。

检索质量的决定性作用

尽管 RAG 在缓解幻觉方面表现出色，但其整体性能高度依赖于前置检索环节的有效性。如果检索阶段返回了无关或低质量的上下文，模型依然会基于错误的输入生成错误信息，陷入“垃圾进，垃圾出”的困境。因此，文档分块策略、向量嵌入模型的选择以及语义相似度算法的调优，构成了决定 RAG 系统上限的关键因素。只有在检索组件能够精准定位高信噪比上下文的前提下，大语言模型的生成能力才能被正确引导，从而输出符合事实的高质量内容。