RAG Retrieval-Augmented Generation

RAG检索增强生成是一种结合信息检索与大语言模型的技术框架。
核心是通过外部知识库动态检索相关信息，将其与用户问题结合，增强模型生成答案的准确性和专业性。RAG无需修改模型参数，而是以外挂方式扩展LLM的知识边界，尤其适用于知识密集型任务（如问答、文档分析）。

RAG相当于给大模型外接了一个移动硬盘。当大模型遇到不确定的问题时，会先从这个硬盘里面快速搜索相关知识点，再结合自己本身的记忆给出更靠谱的答案，避免瞎编或过时信息的问题。

RAG原理

数据准备：将文档拆解、编码为向量存入数据库。
检索增强：将用户问题编码后匹配相似向量片段。
生成优化：将检索结果与大模型能力结合，通过提示模版生成最终答案。

RAG怎么用

ChatPDF：用户上传PDF后，RAG自动解析文本、建立索引（OpenAI,Cohere等模型的Embeddings API允许用户传入自己的文本数据进行向量化处理），回答时检索相关内容生成总结，适合学术文献分析。
金融领域：银行用RAG构建智能客服，检索内部政策文档和产品手册，生成合规且专业的回复，避免信息泄露风险。
企业知识库：通过RAG系统，支持动态更新知识库（如产品手册、行业报告），提升模型在专业领域的实用性。

总结

RAG是大模型的外挂大脑，通过三步解决问题：1.存资料（分块、向量化存数据库）2.查资料（根据问题快速匹配相关内容）3.写答案（结合资料和自身知识生成回答）。它解决了大模型知识过时，胡编乱造的痛点，尤其适合需要实时更新和专业性的场景，比如法律咨询、医疗诊断。