FIELD NOTE / AI 与机器学习

RAG 入门：检索增强生成的核心链路

解释文档处理、向量检索、上下文组织、生成校验与 RAG 的典型适用场景。

AIRAG

RAG：让知识进入模型回答

RAG（Retrieval-Augmented Generation）不是把资料简单塞进提示词，而是把外部知识转成可检索、可引用、可持续更新的上下文能力。

核心链路

  1. 知识处理：清洗文档、切分片段、保留来源与结构信息。
  2. 向量检索：用 Embedding 找到与问题最相关的片段。
  3. 上下文组织：把检索结果、约束条件和用户问题组合成可控 Prompt。
  4. 生成与校验：让模型回答，并通过引用、规则或评估集检查可靠性。

适合解决的问题

  • 企业知识库问答
  • 私有文档检索
  • 客服与运营辅助
  • 需要可追溯来源的智能应用

真正能落地的 RAG，重点不只在模型，而在数据质量、检索策略、上下文编排和持续评估。