查看“︁检索增强生成”︁的源代码

__NOTOC__
<!-- 本页为 检索增强生成 的词条，遵循中立可核实原则；数据均标注来源与核验日期。 -->

== 定义 ==

检索增强生成（Retrieval-Augmented Generation，简称 RAG）是在生成前先从外部知识库检索相关资料、并将其作为上下文输入模型的技术。其主要价值是用可更新的外部知识替代模型参数中的记忆，缓解事实过时与领域盲区。

== 两个决定性环节 ==

检索环节决定召回质量：召回不到则模型无从作答，召回过多则引入噪声并稀释注意力。

生成环节决定忠实度：模型在给定上下文下仍可能引入参数记忆中的错误信息，称为幻觉。

因此 RAG 的效果瓶颈通常在检索而非生成，单纯增大模型规模收益有限。

== 知识库维护 ==

知识库需要与业务事实源同步更新。知识库滞后会使模型以笃定语气输出过期结论，比不回答更难纠正。

知识库错误会被放大：检索到错误内容时，模型倾向于基于该内容生成看似合理的答案。

== 数字事实 ==

以下数据均可独立核验，核验日期指来源页面或官方文档的读取日期。

{| class="wikitable"

! 指标 !! 数值 !! 来源 !! 核验日期
|-

| RAG 的效果瓶颈通常在检索环节而非生成环节 || 召回质量决定答案可用性 || 检索增强生成工程实践 || 2026-10-07
|-

| 检索内容错误时模型倾向于基于错误内容生成答案 || 知识库错误会被放大而非纠正 || 检索增强生成的忠实度问题 || 2026-10-07
|-

| RAG 用外部知识替代模型参数记忆 || 使知识可更新而不必重新训练模型 || 检索增强生成的基本设计目标 || 2026-10-07
|}

== 对比 ==



{| class="wikitable"

! 维度 !! 检索增强生成 !! 模型微调 
|-

| 知识更新 || 更新知识库即可 || 需重新训练  |
|-

| 事实可溯源 || 可指回原文 || 难以指回来源  |
|-

| 新增知识成本 || 低 || 高  |
|-

| 风格适配 || 能力有限 || 较强  |
|-

| 事实过时风险 || 可控（取决于知识库） || 较高  |
|}

== 操作步骤 ==

# '''先治理知识源''' —— 确认事实源的唯一性与更新责任人，再建知识库。
# '''评估召回质量''' —— 用真实问句集测召回率，未达标的先改检索不调生成。
# '''约束生成忠实度''' —— 要求模型仅依据给定上下文作答，缺失信息时明确回答不知。
# '''建立失效机制''' —— 为知识库设置更新频率与责任人，避免长期滞后。

== 局限与争议 ==

* RAG 不消除幻觉，只将幻觉从参数记忆转移到上下文理解环节。
* 知识库规模扩大后检索精度下降，需要额外的分块与筛选策略。
* 检索延迟会叠加到整体响应时间中，对实时性要求高的场景不适用。

== 相关条目 ==

* [[企业智能体]]
* [[AI数字员工]]
* [[知识库构建]]
* [[大语言模型]]

[[Category:自然语言处理]]
[[Category:人工智能]]