大模型有一个致命的弱点：知识滞后。它的知识停留在训练结束的那一天（训练剪裁期）。如果你问它“今天早上的天气预报”或者“你们公司的最新报销政策”，它只会一本正经地胡说八道（幻觉）。
RAG (Retrieval-Augmented Generation)的出现，让 AI 从“背书比赛”转向了“开卷考试”。
1. RAG 的三部曲：搜、拼、读
RAG 的核心逻辑非常简单：在回答之前，先去翻书。
RAG 运行流程图
![]()
2. 核心技术：向量检索 (Vector Search)
为什么 RAG 不用传统的“关键词搜索”？ 因为关键词搜不到语义。
- 关键词搜索：搜“单车”，搜不到“自行车”。
- 向量检索：在第一篇我们学过Embedding。系统把用户的问题变成坐标，去数据库里找“距离最近”的文档片段。即使字面上没有重复，只要意思相近，就能被抓取出来。
3. LLM 在 RAG 中扮演什么角色？
在 RAG 架构中，LLM 的定位从“百科全书”变成了高级阅读理解官。
它的任务不再是搜寻记忆，而是：
- 判断：搜索出来的这几段资料里，哪段是有用的？
- 整合：把碎片化的信息揉成一段通顺的人话。
- 诚实：如果资料里确实没提到，要学会说“对不起，根据已知资料我无法回答”。
4. RAG 与 MCP 的联动
我们不再手动把文件喂给 RAG，而是通过MCP (Model Context Protocol)。
- 以前：你要把 PDF 上传到某个平台。
- 现在：你只要挂载一个MCP 数据服务器（比如连接你的 GitHub 或 Notion），当用户提问时，系统会自动通过 MCP 协议去这些实时更新的源头进行RAG 检索。
加载原理：RAG 其实就是一种动态上下文加载。它确保了模型在推理的瞬间，它的上下文窗口（Context Window）里装载的是此时此刻最正确的知识。
5. 总结：第四课的心得记录
- 逻辑比知识更贵：我们利用 LLM 的逻辑推理能力，利用 RAG 提供实时知识。
- 减少幻觉：有据可查是解决 AI 乱说话的良药。
- Embedding 是桥梁：只有把文档变成向量，RAG 才能真正“懂”你想查什么。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
