什么是RAG？

在前面的章节中，我们介绍过了大模型的原理，他其实是基于基于自身的训练语料和概率统计，加上用户的prompt来预测下一个token（词或符号）的出现概率。这就意味着： 模型输出的文本是“语言上最合理”的，但未必是“事实上的正确”。 我们也讲过了大模型的局限性，包括幻觉的问题，知识的滞后性的问题、以及知识的局限性等问题。 而这些问题，通过RAG技术都可以得到很大程度的改善。

什么是RAG？

RAG（Retrieval-Augmented Generation，检索增强生成）是一种让大模型在生成回答前，先从外部知识库中检索相关信息，然后结合这些检索到的内容来生成答案的技术。主要就是为了解决大模型的幻觉问题，提升大模型在某些专业领域回答的准确性。 简单来说，他的核心就是 检索 + 生成，模型不再“凭自身经验瞎说”，而是“查完资料再说”。

RAG的使用场景

RAG非常适合用于那些需要事实性、专业性、时效性知识支撑的场景。它让大模型具备“知识更新”和“领域专精”的能力。常见应用包括：

企业知识问答 / 智能客服

企业的知识往往比较私有化，不对外公布，大模型的训练数据集也没有相关的训练语料。通过RAG，可以将企业的一些“产品说明书”、“员工行为规范”、“业绩报告”等等这些资料构建为知识库，让客服智能体在回答问题时能够实时检索企业内部知识，生成基于事实的专业回答。

安全分析与情报检索

在网络安全领域，具有大量的威胁情报、漏洞数据、安全日志等知识源，RAG可以构建这些数据的知识库，从而实现大模型对网络安全领域的： - APT攻击链分析； - 威胁情报分析； - CVE安全漏洞解读。 这类应用让安全分析师能够通过自然语言快速检索、分析和生成报告，大幅提升威胁处置效率。

法律、医疗、金融等专业领域问答

这些行业的专业知识更新快、术语多、错误代价高， 传统大模型受限于训练数据的时间窗口和覆盖范围，往往无法准确反映最新法规、指南或政策变化。但通过RAG，我们可以把这些“新知识”持续的灌输给它，作为大模型的一个“知识外挂”，实现持续知识更新与高质量领域问答。

RAG的主要流程

RAG的整体流程，以用户提问的时机为分界点，主要可以分为两步： 第一步叫 构建索引，是指在用户提问前，这一步主要是去离线构建我们的知识库索引，对知识库的相关文档进行一些列的操作，比如：文档预处理、文档分片、向量化、生成索引。这一步是我们后续去进行检索生成的基础，知识库索引质量生成的好坏，可以极大的影响到我们后续检索的效果。 在构建索引这一环节，有一句非常经典、非常核心的警示性原则，那就是：“垃圾进，垃圾出”（Garbage In, Garbage Out, GIGO），这句警示，也能够非常直观的表述出在RAG系统中，构建索引的重要性，无论你后续的检索环节做了什么非常高深的优化和方案，数据源头的质量才是影响最终检索效果的最重要因素。 第二步叫 检索生成，是指在用户提问时，实时处理用户的问题。首先需要从知识库中匹配出与用户问题最相似的文本块（chunk），再将这些相似的文本块，注入到大模型的上下文之中，为大模型提供一个知识参考。