檢索增強生成（RAG）是什麼：讓回答附上可查的依據

檢索增強生成，英文 Retrieval-Augmented Generation，常縮寫為 RAG，是把外部資料檢索接到文字生成的做法。模型訓練時不可能讀過你昨天才修改的活動辦法，但若系統先找出那份辦法，模型便能依照取回的文字回答。外部資料在這裡是當次作答依據，不必先變成模型參數。這讓資料更新與模型訓練可以分開處理，也使讀者有機會追查回答的來源。

判斷一套 RAG 系統是否有用，不能只看回答流暢或列了幾個引用。真正要問的是：該找到的條文有沒有進入模型看得到的上下文，答案中的重要限制能否回到原文。本篇用虛構的社群課程報名規章示範；辦法與預期結果都是教學設定，不是任何真實機構的規定。讀者可以用同樣方法檢查公司知識庫、產品說明書或個人筆記問答。

一種組合方式，不是一個資料庫

Lewis 等人的原始論文把預訓練語言模型的參數記憶，與外部文件索引的非參數記憶結合，並研究可訓練的檢索與生成架構。今天開發文件裡的 RAG 用法更廣，常指先檢索、再把內容放進提示詞的應用流程；這些系統不一定重做原論文的聯合訓練。因此看到名稱相同，仍需確認資料從哪裡來，以及檢索器是否會隨訓練改變。

搜尋工具通常交付文件清單或片段，RAG 則增加根據片段組織答案的步驟。向量資料庫只是可能使用的儲存與相似度查詢元件，全文索引、結構化查詢也能扮演檢索角色。有精確課程代碼的題目，未必適合只靠語意相近。沒有生成答案的向量搜尋仍是搜尋，不能單憑用了向量便稱為完整 RAG。

資料如何走到答案裡

準備資料時，系統解析原檔、切出可檢索的段落，保留文件識別碼、章節、版本與權限，再建立索引。提問時，檢索器把問題轉成查詢，取回候選段落，必要時重新排序或補抓上下文。模型收到問題加上被挑選的依據，最後產生自然語言答案。這些步驟是否由同一服務執行，不影響概念上的分工。

退費條文應連同適用課程與生效日期進入索引。如果只存一句「可以退費」，卻遺失下一段的截止條件，檢索看似成功也可能錯答。引用連結最好定位到實際段落；只有文件首頁連結，讀者仍得在長篇內容裡找證據。版本更新也要讓舊段落退出適用範圍，不能只是新增新版，讓新舊規章同時競爭搜尋排名。

示範：一個帶條件的退費問題

假設輸入是「我報了週末陶藝班，開課前取消可以全額退嗎？」資料中有一般退費規則、材料費例外與公告修訂。流程先找到陶藝班所屬類別，再確認一般規則對開課前取消的處理，接著補找材料已採購時是否扣費。輸出應把確定事項、例外與欠缺資訊分開，例如說明可能退回課程費，但材料費仍需查採購狀態，並引用相應條文。

好答案不一定立即給出「可以」或「不可以」。若索引只包含一般規則，系統應表達資料不足，而不是把沒有搜到例外當成不存在例外。可以先把正確條文直接交給模型：若這樣能答對，原本問題多半在檢索；若仍漏掉材料費，則檢查指令、上下文排列或答案驗證。這種分層檢查比一再更換模型更容易找出原因。

再設計一個變體：讀者問的是已經停辦的舊課程。預期系統辨認課程版本，查當時適用的辦法；如果索引只保留現行版，應說明目前資料無法回答歷史個案。不能拿最新文件回答所有年份，也不能因為文句高度相似便忽略適用時點。這個測試能揭露只靠文字相似度很難看出的問題。

有來源仍可能答錯

RAG 改善取得證據的機會，沒有把生成器變成必然正確的引用機器。文件可能過期、相互矛盾或本來就錯；相似度查詢也可能把名字接近的另一門課放在前面。模型還可能引用真實文字，卻接出原文不支持的結論。因此要分別衡量相關資料是否找齊，以及答案是否忠於資料，兩者不能互相代替。

權限也屬於檢索品質。一般學員只能看公開辦法時，系統不能先取回內部個案紀錄，再期待模型自行不透露。比較穩妥的設計是在查詢時依讀者身分限制範圍，並把取回文字視為待分析的內容。文件若包含要求忽略規則的句子，不代表那句話有權改寫任務。來源可靠、使用者有權看，以及文字相關，是不同的檢查。

何時值得使用，如何驗收

資料持續更新、答案要附出處、同一模型要服務多個資料集合時，RAG 常是合適起點。若需求是穩定遵守格式或學會特殊語氣，微調可能更貼近問題，兩者也能併用。若資料只有短短一頁，直接提供整頁上下文可能足夠，未必需要完整索引服務。工程複雜度應跟資料規模、更新需求與資料權限一起考量。

匯入時先準備一組常見且可由原文確認的問題，另放入跨章節、舊版幹擾和資料未涵蓋的案例。檢查每題取回哪些段落、答案哪些句子有依據，以及缺資料時是否坦白停住。再記錄等待時間與文件更新後何時可查到。驗收結果應保留問題、文件版本與引用位置，日後更新模型或索引時才能重做同一組比較。

文件分塊（Chunking）：切多長，才不會把答案切斷

重新排序（Reranking）：從找得到到把好答案排在前面

微調（Fine-tuning）：讓既有模型更適合你的任務

AI 名詞總索引：從 Loop Engineering 到生成式 AI

• AI 工具
• 教學
• AI 名詞解釋