RAG（Retrieval‑Augmented Generation，检索增强生成）是 2020 年由 Facebook AI Research 提出的 AI 架构，核心是将外部知识检索与大语言模型（LLM）生成结合，让模型先从外部知识库获取相关信息再生成回答，以此解决大模型知识滞后、易出幻觉、专业领域知识不足等问题，无需频繁微调即可适配新场景。以下从核心流程、关键价值、主流架构与应用场景展开说明：
一、核心流程（检索→增强→生成）
- 检索（Retrieval）：用户输入问题后，系统用语义搜索、向量匹配等技术，从文档、数据库、网页等外部知识库中精准抓取相关信息片段，如从公司财报中提取净利润数据。
- 增强（Augmentation）：将检索到的信息与用户问题整合，形成富含上下文的增强提示词，例如把财报数据片段和 “某公司 2024 年净利润是多少” 的问题拼接。
- 生成（Generation）：大模型基于增强提示词生成回答，同时可标注信息来源，确保答案有据可依。
二、关键价值
| 价值点 | 说明 |
|---|---|
| 降低幻觉 | 减少模型 “脑补” 错误信息，输出结果可追溯 |
| 知识实时更新 | 无需重训模型，通过更新外部知识库即可获取最新信息 |
| 适配垂直领域 | 快速接入医疗、法律、金融等行业的专业知识库 |
| 降低成本 | 避免大模型微调的高昂费用与漫长周期 |
三、主流架构与工具
- 传统 RAG：基础 “检索→拼接→生成” 流程，适合简单知识问答，代表工具为 LangChain、Haystack。
- 多模态 RAG：支持文本、图像、视频等多类型数据检索与生成，需 OCR、多模态 Embedding 模型配合。
- Agentic RAG：引入智能体，可自主拆解复杂问题、多轮检索优化，适用于订单管理、复杂规划等场景。
- Graph RAG：结合知识图谱建模实体关系，通过图神经网络挖掘深层关联，提升复杂推理能力。
四、典型应用场景
- 智能客服：快速检索产品手册、售后案例，精准解答用户问题。
- 文档问答：解析 PDF、Word 等企业文档，自动回答员工关于政策、流程的咨询。
- 行业知识库：构建医疗诊疗指南、金融合规手册等专业问答系统。
- 实时资讯问答：对接新闻、行情数据，提供最新的财经、体育等领域信息。
五、总结
RAG 的核心是 “先翻书再答题”，通过检索外部知识增强大模型生成能力，是大模型落地的关键技术之一。开发者可从 LangChain 等工具入手，快速搭建基础 RAG 系统，再根据场景需求升级为多模态、Agentic 或 Graph RAG 架构。
