生活分享

检索增强生成(RAG)是什么:让回答附上可查的依据

检索增强生成会先从外部资料中找出相关内容,再交给语言模型组织回答。本文以活动报名规章的问答为例,拆解建立索引、检索、生成与来源核对,说明它和搜索、微调的区别,也解释为什么有引用仍可能答错。读完能判断问题出在资料未更新、文档没找齐,还是模型对证据过度解读,并知道什么情况应保留“不知道”的答案。

阅读时间约 7 分钟

LINE 分享
几份文档沿路径进入放大镜,象征找出回答所需的证据
图片:Mokaair (© Mokaair)
目录
  1. 1. 一种组合方式,不是一个数据库
  2. 2. 资料如何进入答案
  3. 3. 示范:一个带条件的退款问题
  4. 4. 有来源仍可能答错
  5. 5. 何时值得使用,如何验收

检索增强生成,英文 Retrieval-Augmented Generation,常缩写为 RAG,是把外部资料检索接到文本生成的做法。模型训练时不可能读过你昨天才修改的活动办法,但若系统先找出那份办法,模型便能根据取回的文本回答。外部资料在这里是当次作答的依据,不必先变成模型。这让资料更新与模型训练可以分开处理,也使读者有机会追查回答的来源。

判断一套 RAG 系统是否有用,不能只看回答是否流畅或列了几个引用。真正要问的是:该找到的条文有没有进入模型能看到的上下文,答案中的重要限制能否在原文中找到依据。本篇用虚构的社群课程报名规章示范;办法与预期结果都是教学设定,不是任何真实机构的规定。读者可以用同样的方法检查公司知识库、产品说明书或个人笔记问答。

一种组合方式,不是一个数据库

Lewis 等人的原始论文把语言模型的参数记忆,与外部文档索引的非参数记忆结合,并研究可训练的检索与生成架构。今天开发文档里的 RAG 用法更广,常指先检索、再把内容放进提示词的应用流程;这些系统不一定重做原论文的联合训练。因此看到名称相同,仍需确认资料从哪里来,以及检索器是否会随训练改变。

搜索工具通常提供文档列表或片段,RAG 则增加根据片段组织答案的步骤。向量数据库只是可能使用的存储与相似度查询组件,全文索引、结构化查询也能承担检索任务。包含精确课程代码的问题,未必适合只靠语义相近来检索。没有生成答案的向量搜索仍是搜索,不能仅凭用了向量就称为完整的 RAG。

资料如何进入答案

准备资料时,系统解析原始文件、切分出可检索的段落,保留文档标识符、章节、版本与权限,再建立索引。提问时,检索器把问题转成查询,取回候选段落,必要时重新排序或补充获取上下文。模型收到问题加上被挑选的依据,最后生成自然语言答案。这些步骤是否由同一服务执行,不影响概念上的分工。

退款条文应连同适用课程与生效日期进入索引。如果只存一句“可以退款”,却丢失下一段的截止条件,检索看似成功也可能答错。引用链接最好定位到实际段落;只有文档首页链接,读者仍得在长篇内容里找证据。版本更新也要让旧段落退出适用范围,不能只是新增新版,让新旧规章同时竞争搜索排名。

问题送入检索器,文档索引提供适用段落,再交给模型生成带有条件与出处的答案
检索器决定模型看到什么;生成器负责组织答案。 · 图片:Mokaair (© Mokaair)
阅读完整文字说明

问题送入检索器,文档索引提供适用段落,再交给模型生成带有条件与出处的答案

示范:一个带条件的退款问题

假设输入是“我报了周末陶艺班,开课前取消可以全额退款吗?”资料中有一般退款规则、材料费例外与公告修订。流程先找到陶艺班所属类别,再确认一般规则对开课前取消的处理,接着补充查找材料已采购时是否扣费。输出应把确定事项、例外与缺少的信息分开,例如说明可能退回课程费用,但材料费仍需核查采购状态,并引用相应条文。

好答案不一定立即给出“可以”或“不可以”。若索引只包含一般规则,系统应说明资料不足,而不是把没有搜到例外当成不存在例外。可以先把正确条文直接交给模型:若这样能答对,原本的问题多半在检索;若仍漏掉材料费,则检查指令、上下文排列或答案验证。这种分层检查比一再更换模型更容易找出原因。

再设计一个变体:读者问的是已经停办的旧课程。预期系统识别课程版本,查找当时适用的办法;如果索引只保留现行版,应说明目前资料无法回答历史个案。不能拿最新文档回答所有年份,也不能因为文句高度相似就忽略适用时间。这项测试能揭露仅靠文本相似度很难看出的问题。

有来源仍可能答错

RAG 增加了获取证据的机会,没有把生成器变成必然正确的引用机器。文档可能过期、相互矛盾或本来就错;相似度查询也可能把名字接近的另一门课排在前面。模型还可能引用真实文本,却得出原文不支持的结论。因此要分别衡量相关资料是否找齐,以及答案是否忠于资料,两者不能互相代替。

权限也属于检索质量的一部分。普通学员只能看公开办法时,系统不能先取回内部个案记录,再期待模型自行不透露。比较稳妥的设计是在查询时根据读者身份限制范围,并把取回的文本视为待分析的内容。文档若包含要求忽略规则的句子,不代表那句话有权改写任务。来源可靠、用户有权查看,以及文本相关,是不同的检查。

何时值得使用,如何验收

资料持续更新、答案要附出处、同一模型要服务多个资料集合时,RAG 常是合适的起点。若需求是稳定遵守格式或学会特殊语气,微调可能更贴近问题,两者也能配合使用。若资料只有短短一页,直接提供整页上下文可能足够,未必需要完整的索引服务。工程复杂度应与资料规模、更新需求和资料权限一起考虑。

导入时先准备一组常见且可由原文确认的问题,另外加入跨章节、旧版干扰和资料未涵盖的案例。检查每道题取回哪些段落、答案中哪些句子有依据,以及缺少资料时是否坦诚说明并停止作答。再记录等待时间与文档更新后何时可查到。验收结果应保留问题、文档版本与引用位置,日后更新模型或索引时才能重做同一组比较。

概念对照;来源查证于 2026 年 9 月。
方法处理重点需要留意
直接搜索提供文档或片段读者自行汇总答案
RAG取回依据后生成回答检索与引用仍需验证
微调训练行为或能力不等于实时资料更新

文档分块(Chunking):切多长,才不会把答案切断

AI 名词总索引:从 Loop Engineering 到生成式 AI

觉得这篇整理实用吗?分享给需要的朋友

LINE 分享
  • 生活分享

    代理式检索增强生成(Agentic RAG):何时需要再查一次

    代理式检索增强生成让模型参与检索决策,根据问题与已找到的证据选择数据来源、改写查询或继续补查。本文采用 LangGraph 文档中的具体流程,以比较场地借用条件示范它和固定式 RAG 的差别,并说明停止条件、权限、查询记录及成本控制。读完能判断任务需要动态探索,还是用可预测的固定流程就足够。

  • 生活分享

    图谱检索增强生成(GraphRAG):从关系看懂整批文档

    GraphRAG 把实体及其关系纳入检索,帮助回答跨文档的关联与整体主题。本文以 Microsoft 原始论文及官方文档为范围,拆解实体抽取、社区摘要、局部搜索和全局搜索,以地方活动记录示范不同问题需要不同路径。也说明图谱漏连、名称误合并与摘要失真如何影响答案,避免把一张漂亮的关系图误认为已验证的事实。

  • 生活分享

    知识图谱(Knowledge Graph):把事物与关系说清楚

    知识图谱用实体及关系组织数据,让“谁参与什么、在哪里、何时发生”能沿链接查询。本文以社群活动数据演示实体识别、关系方向、来源与时间,介绍资源描述框架(RDF)和属性图的表示差异,也说明图谱不等于可视化或可信事实。读完能判断数据适不适合建图,并理解它如何与数据表、向量搜索及图谱检索增强生成(GraphRAG)搭配。

  • 生活分享

    混合搜索(Hybrid Search):兼顾精确字词与语义

    混合搜索将全文搜索与向量等不同检索结果合并,兼顾精确代码和自然语言需求。本文用设备说明书查询拆解候选获取、去重、排名融合和重新排序,介绍倒数排名融合(RRF)如何用名次融合不同搜索结果,也提醒混合不保证全面更准。读完能用代码题、改写题和无答案题检查质量,并辨认权限、筛选与重复内容造成的偏差。

资料来源

本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。

生活分享