检索增强生成(RAG)

原始 RAG 研究将预训练的参数化模型与可检索的非参数化记忆结合：生成不是只靠模型已有参数，而是可以由找回的文档条件化。对业务团队，重点不是术语本身，而是每次回答能否回到本轮真正使用的资料。

参考：arXiv

RAG 不替代资料治理。模型看到的片段若来自旧型号、错误市场或未批准翻译，回答即使附带出处也不应对外使用。

实现通常先把可用资料切分、标记并建立索引；收到问题后，检索器找回候选片段，再把相关内容连同任务规则放入生成模型上下文。Microsoft 将内容准备、检索和生成视为 RAG 的相连环节，而非一次文件上传。

参考：Microsoft Learn

Google Cloud 的 RAG 文档将知识语料、检索与生成共同纳入实现范围。因而验收要回看：命中的片段是否当前、是否适用目标市场、是否保留来源，以及回答中哪些内容没有足够依据。RAG 能减少模型脱离资料作答的机会，却不能证明资料本身真实或完整。

参考：Google Cloud Documentation

知识检索解决“从资料中找回哪些候选片段”；上下文窗口解决“本轮能放入多少内容”；提示词工程解决“要完成什么任务和怎样输出”；RAG 把找回内容接到生成步骤。若下一步还需动态调用系统或工具，才需要额外设计 AI 智能体的权限、护栏和升级规则。

小团队应先在一个可回滚、可抽查的场景验证来源和人工接手，再扩大资料范围。不要把回答更长、工具更多或检索更多当作可靠性的证据。