RAG是什么：AI先查资料再回答

女儿说公司把员工手册丢进 AI 了，以后问请假、报销、加班，机器都能答。银行 App 里的客服也常挂着一句「正在为您查询相关规定」。听着像联网搜索，又像把模型重新训练了一遍。越来越多人把这套做法叫 RAG——英文全称 Retrieval-Augmented Generation，中文常译成检索增强生成。说白了，就是让 AI 先去翻资料，再开口。

我卡了很久才想通：很多人以为「接了 AI」就等于「它什么都懂」；真正靠谱的企业问答，往往不是让模型凭训练记忆硬背制度，而是先把制度库查一遍，再把查到的段落塞进回答里。面子上仍是聊天，骨子里多了一步「找书」。

人话定义：它解决什么痛

压成一句：RAG 是在生成答案之前，先从外部知识库里检索相关片段，再把这些片段和问题一起交给大模型来写回答。 检索是「找」，生成是「写」。增强，指的是用外部资料托住模型，减少它凭空补全。

它出场要对付的痛点，正是上一篇若你读过「幻觉」会熟悉的那种：模型口才好、记性杂，制度一改、药方一变、产品一升级，训练里的旧印象就会过期。把公司规章、医院须知、产品说明书放进可更新的库里，让回答钉在可核对的文档上，比指望它「把整本手册背进脑子」现实得多。

先查再答对比凭记忆瞎编

简史：几个绕得开的年份

大约 2020，Facebook AI（后来常写作 Meta AI）的 Lewis 等人发表了一篇后来被广泛引用的 RAG 论文，把「检索 + 生成」做成一套可训练的框架。更早也有人做「先搜再答」，但这篇把名字和方法钉得更清楚，业界后来口头都爱叫 RAG。

2022 年底到 2023，ChatGPT 一类产品走进普通人手机。企业发现：通用聊天很会说话，却答不准自家制度、合同条款、内部 FAQ。知识库问答、客服机器人、文档助手，开始大规模把「先检索公司资料」当成标配工程手段。

大约 2023—2024，RAG 从论文词变成招聘 JD 和供应商演示里的高频词。银行、医院、政务、电商客服，宣传语里常出现「基于企业知识库」「可引用原文」。同期大家也更坦白：检索错了、库过时了、拼进提示的段落不够，回答照样会偏——RAG 能压幻觉，不是灭幻觉的开关。

RAG几个关键节点

生活类比：图书馆找书，再写作业

把它想成你去区图书馆写一篇关于「本市医保报销」的说明。纯大模型路线，有点像一位记性很好的邻居，听过不少街谈巷议，开口就能讲一段；讲得顺，未必对应当年新政策。RAG 路线更像：你先问管理员「医保报销相关在哪几架」，抽出两本最新手册和一页通告，摊在桌上，对照着写。写出来的句子仍是你组织的，但依据来自摊开的纸。

再换个画面：子女问你「爸，公司年假怎么算」。你若凭十年前的印象答，容易过时；你若先翻出员工手册第几章、核对「入职满一年」那一行，再开口，性质就变了。RAG 要做的，就是强迫机器走后一条路——先查再写。

我自己多懂的一层是：很多人把 RAG 听成「AI 变聪明了」。更准确的说法是——它变老实了一点：回答被绑在你提供的书架上。书架本身乱、旧、缺页，老实也会老实错。聪明与否，一半在模型，一半在你怎么建库、怎么更新。

机制：可以记成三步

抛开公式，流程通常长这样：

你提出一个问题，比如「年假未休完能否折现」。系统先把问题拿去知识库里检索：可能是关键词匹配，也可能是把句子变成向量再找相近段落。库里往往是切碎的制度章节、FAQ、公告。

检索返回若干片段后，系统把这些片段拼进提示（可以想成一张写给模型的便签）：「请根据下面资料回答，资料不够就说不确定。」然后模型再生成一段人话。

关键在中间那步：模型看见的「此刻事实」，主要来自你刚塞进去的段落，而不是指望它回忆上线前读过的互联网。 库更新了，答案倾向跟着变；这和把整本手册重新「微调」进模型参数，是两条路。

还有个细节值得记住：检索不是魔法。问法太口语、库切得太碎、标题党文档太多，都可能「找错书架」。后面的生成再流畅，也是基于错页在写作。

RAG三步：检索拼进问题生成

容易搅在一起的三个词

RAG ≠ 微调。 微调是改模型内部参数，让它更贴某类语气或某领域说法，像送去进修班改习惯；成本高、更新慢，制度改一行有时要再训一轮。RAG 更像给模型配一本可替换的活页夹：夹子换页，不必每次送进修。企业知识常变，很多人优先上 RAG，不是因为微调无用，而是改库往往比改模型便宜。

RAG ≠ 纯联网搜索。 联网搜索面对的是开放网页，质量参差、真假混杂，适合查新闻、查公开百科。RAG 常见形态是对着你指定的库——公司制度、产品文档、院内须知——边界更清楚，也更可控。有的产品两者都接：先搜外网再生成，那是「搜索增强」的亲戚，和「只查自家库」的 RAG 不要混成同一个开关。

RAG ≠ 模型自己变不会编了。 它降低的是「完全没依据时硬编」的概率；若检索到的段落本身错、或模型没按资料写、或资料不够仍被要求必须答，一本正经的错句仍可能出现。上一篇讲的幻觉，在 RAG 里会换皮成「引错页」「概括偏了」「假引用」。

银行智能客服说「已为您查询相关规定」，医院挂号助手说「根据须知」，场景不同，结构同类：你听到的是生成，背后若真跑了检索，你才有机会追问「根据哪一条」。追问得出原文，信任才站得住。

RAG与微调与联网搜索对照

局限、误区，以及我怎么跟家里人说

常见误区一：「上了 RAG 就不会胡说。」库旧了、权限没配好、检索只命中相似标题却漏了关键例外条款，胡说照样发生，只是穿上了「有资料」的外套。

常见误区二：「把 PDF 全丢进去就等于会了。」扫描件没识别好、表格被拆乱、同一制度存了三个版本，模型会挑到过期页。建库、切片、去重、标注生效日期，这些笨功夫，往往比选哪个模型牌子更决定体验。

常见误区三：把供应商演示里的「可追溯引用」当成免检章。引用链接点不开、条款号对不上正文，仍要当草稿。

对我这种年龄段更实用的态度是：听子女说「公司已经丢进 AI 了」，先问两句——答得出处吗？制度更新后用的是新版吗？ 能指向某一章某一条，再信三分；只会流畅复述，就当聊天。养生、理财、法律仍是高风险区：RAG 也救不了「库里根本没有、却非要给结论」的产品设计。

工程上靠谱的做法通常叠几层：强制展示可点开的来源、资料不足就拒答或转人工、敏感领域加人工复核。这些能把翻车率压下去，却不保证零。零差错更像口号，不像图书馆管理的日常。

我写这篇时一度想用更炫的英文缩写堆标题，后来改成现在这样：因为五六十岁的读者真正需要的，不是再记一个时髦词，而是能搜到、点得开、读完知道——下次听见「AI 查过了」，该信的是「查」这个动作有没有发生，以及查的是哪一架书。

读完可以带走的一句

把 RAG 记成：先查自家书架，再组织回答。 它不是联网搜索的别名，也不是微调的马甲；它是给爱接话的模型配上可更新的活页资料。下次再看见智能客服「正在查询」，不妨在心里问：查到了哪一段？我能否核对？查得到、对得上，才是增强；查不到却仍答得斩钉截铁，那只是换了一件更体面的外衣。