RAGRetrieval-Augmented Generation
一句话
RAG 是先从资料库检索与问题相关的内容，再交给大模型，让它依据这些资料生成回答。
大白话
RAG 像开卷考试：拿到题目先翻书，找到相关的那几页，再对照书上的内容答题，而不是全凭脑子里的记忆。
比喻的边界
开卷也会翻错页，书本身也可能过时；检索没找到对的段落，模型照样可能凭空补全，所以 RAG 能减少编造，但不保证正确。
拿去就能用
我想让 AI 根据回答。先帮我判断资料量是否能直接放进上下文；放不下再设计最简单的检索方案。回答必须附原文片段，资料里没有就说没有，再给我一组测试问题检查效果。
还差：资料范围、问题类型，发给 AI 前记得换掉
用户问退货期限，助手回答“30 天”，但我们文档里写的是 7 天。帮我先查这次检索到了哪几段资料，判断是没检索到正确段落，还是检索到了却没照着回答，再决定改哪一步。
我的文档会经常更新。帮我设计文档改动后怎么更新检索内容、旧版本怎么下线，以及怎么定期用一组固定问题检查回答是否还准确。
别这样说 → 这样说
别这样说
帮我做个知识库，让 AI 什么都能答。
这样说
我有 40 篇产品帮助文档，想做一个回答用户问题的助手。帮我设计最简单的 RAG 方案：怎么切分和检索文档、回答时附上出处、找不到就说没有，先用 10 个真实问题测试效果。
差别：给出了资料规模和范围，写明了引用、兜底和测试方式。
误解用了 RAG，AI 就不会出错了。
其实是RAG 只是让模型有资料可看；检索不到、资料过期、资料里混进误导内容，模型仍会答错。要核对引用是否对得上原文，并用固定问题定期检查。
展开专业理解
RAG 通常包括：把文档切成段落、建立索引、按问题检索出最相关的几段、拼进上下文交给模型生成，并附上出处。向量检索很常见，但关键词检索也可以，并不一定要用向量数据库。回答质量很大程度取决于检索质量；资料里的文字也可能夹带指令，要当作资料而不是命令。资料少时直接放进上下文往往更简单，不一定要 RAG。
来源
- Claude 文档：术语表 核对于 2026-09-26
- RAG 原始论文（arXiv） 核对于 2026-09-26