RAG：从检索证据到生成答案

RAG要解决什么问题

当你问模型一条内部政策时，它可能没有这份资料。如果把整套手册每次都粘贴进去，又会占用大量上下文，并混入无关内容。RAG是一种把资料查找与模型生成连接起来的方法。

RAG的全称是Retrieval-Augmented Generation，通常译为检索增强生成。这里三个词分别对应三件事：先检索相关资料；把资料加入本次输入；再让模型根据问题和资料生成回答。它不是一个特定聊天产品，也不要求使用某一种模型。

分清资料准备与用户提问两个阶段

资料准备通常发生在问答之前：读取文件，整理文字，按合适边界分段，建立索引并保存来源。用户提问之后，系统才查找相关片段，构造模型输入并产生答案。

沿一次退费问答看全过程

用户问：“开场前两小时临时取消，能退款吗？”知识库中有阅读要求、人数限制、场地资料和退费规则。检索应找出退费段落，而不是仅因都含有“活动”二字，就取回无关介绍。

假设取回的是“提前至少24小时取消可全额退款；不足24小时不退款，可转让名额”。应用把它与用户问题一起交给模型，并说明回答应以当前来源为依据。

模型再把“两小时”与“24小时时限”比较，回答不能退款、可以转让，并关联到这条规则。整个过程中，资料没有自动进入模型参数，而是作为本次上下文参与生成。

为什么用了RAG仍然可能出错

可能读错了文件，可能取回旧版规则，也可能找对段落却把条件理解错。还有一种情况是答案看似正确，但引用指向了不支持结论的位置。每一层都需要能检查。

如果用户问“停车免费吗”，现有来源没有相关信息，合适答案是无法确认。系统不能因为已经完成检索，就必须给出肯定结论；取回最相近的片段，也不保证这个片段真的包含答案。

从普通对话到资料问答产品

在普通聊天里手工粘贴一段相关资料，再要求依据资料回答，已经能体验“材料进入上下文”的作用。完整RAG系统进一步自动化了选择资料、管理来源和追溯引用的过程。

资料问答工具可能把上传、解析、索引和检索全部放在界面背后。读者不需要掌握数据库部署，也应知道回答用了哪些来源、能否更新和删除，以及当前问题是否被材料覆盖。课后的规则文件与问答练习，用来观察这些环节。