检索增强生成
RAG (Retrieval-Augmented Generation)
检索增强生成（RAG）是一种结合了信息检索和文本生成的技术，旨在让大语言模型基于外部知识库给出准确回答，从而减少幻觉。
详细解释
大语言模型（LLM）的知识被“冻结”在训练完成的那一刻，它不知道最新的新闻，也不知道你公司的内部文档。如果你直接问它，它可能会“胡编乱造”（即幻觉）。
RAG（Retrieval-Augmented Generation） 的工作流程是：
- 检索（Retrieval）：根据用户的问题，在外部数据库（通常是向量数据库）中搜索最相关的文档片段。
- 增强（Augmented）：将搜索到的文档片段作为背景上下文（Context），拼接在用户的问题中。
- 生成（Generation）：把拼接好的长文本发给 LLM，让 LLM “基于提供的背景资料”来回答问题。
RAG 的优势
- 解决知识滞后：无需重新训练模型，随时更新数据库即可。
- 保护数据隐私：企业私有数据只在数据库和 API 间流转，不用去微调模型。
- 来源可追溯：LLM 可以明确指出它的回答引用自数据库中的哪一份文档。
常见问题
RAG 和微调（Fine-tuning）哪个更好？
RAG 适合补充新的知识和事实，成本低且更新快；微调更适合让模型学习特定的说话风格或复杂的垂直领域逻辑。现代企业应用通常以 RAG 为主。