工程 · 深度词条
RAG(Retrieval-Augmented Generation,检索增强生成)
模型回答前先从外部资料中找到相关片段,再基于这些片段组织答案并给出来源。

报销上限是多少?先找条款,再给金额
- 找到依据
- 先检查权限、制度版本与适用范围,再引用支持答案的原文。
- 依据不足
- 只有收据,没有适用的制度条款,就不能从收据猜出报销上限。
四层解释
模型回答前先从外部资料中找到相关片段,再基于这些片段组织答案并给出来源。
RAG 将参数化生成模型与外部非参数知识源结合,在推理时检索证据并以其条件化生成。
文档先清洗、切片和索引;请求到来后执行召回、过滤与重排,把候选证据加入上下文,再校验回答和引用。
应分别评测检索召回、排序、权限、答案有据性、引用完整性和拒答;只看最终文案会掩盖链路故障。
全链路位置
常见用途
- 企业知识问答
- 法规与产品资料查询
- 需要引用的研究辅助
专业边界
- 检索到资料不代表资料正确
- RAG 不会自动消除幻觉或越权
常见误解
- RAG 会把资料永久写入模型
- 有引用就等于结论被来源支持
找到了一本真的旧手册
新员工问周六怎样借设备。助手引用了馆员写的手册,答“柜台登记即可”。他到馆才发现周末早已改为预约。手册确实是真的,扉页上却印着上一版的年份。
RAG(检索增强生成)会把找到的资料提供给模型。这个例子里,不必等到写答案才找错:先看检索拿到的版本,再看回答是否忠实使用它。带引用也可能答错,资料真实、仍然有效、支持结论,是三件不同的事。
一个完整的 RAG 问答怎样发生
RAG 原始论文把生成模型与外部检索知识源结合,用检索结果帮助知识密集型任务。现代产品常把资料预处理、召回、重排、上下文构造、生成和引用检查拆成可观测的步骤;具体实现并无唯一标准。
例如用户问“今年差旅住宿上限是多少”,系统应先按用户权限和制度生效日期检索,再把相关原文与版本号交给模型。若只检索到去年制度,正确行为是说明证据不足,而不是根据旧值猜一个新答案。
错误发生在检索,还是发生在生成
要把失败至少分成四类:该找到的文件没召回,召回了但排错顺序,证据正确却生成了错误结论,以及引用链接到无关片段。不同故障要改不同环节,不能一概靠更大的模型解决。
最小评测集应覆盖正常问题、同义表达、精确数字、过期文件、互相冲突的版本、无权限资料和知识库中根本没有答案的问题。分别记录检索召回、有据性、引用准确性、拒答、延迟和单位成本。
Worked Example
正确回答与错误回答的区别
以下制度与问答均为虚构教学示例。
- 证据
已授权制度 V2 写着:本年度住宿标准为每晚 500 元,生效日期为 1 月 1 日。
- 有据回答
“按制度 V2,标准为每晚 500 元”,并链接到该条款与生效日期。
- 无据回答
“我记得大概是 600 元”,或引用旧版 V1 却说成最新标准。
- 拒答
如果查不到当前有效文件,明确说明无法确认,并指向人工财务渠道。
RAG 的目标不是“每次都有答案”,而是让答案和证据相符,并在证据不足时停下。
来源与核对记录
S1基础释义核对:2026-09-29。专题核对:2026-10-03。局部增补:2026-11-19。局部修订不代表旧正文全部复核,尚未完成外部专家审稿。