大模型很强，但有个致命弱点：它只知道训练时学过的知识。今天公司更新了退款政策，模型不知道；你上传了一份文档，模型也没读过。怎么办？

RAG（Retrieval-Augmented Generation，检索增强生成）= 先从知识库检索相关文档，再把文档作为上下文喂给大模型，让它基于真实资料回答。相当于给 AI 配了一个实时更新的「资料库」。

RAG 技术主要解决了大模型的什么问题？

• 推理速度太慢
• 知识可能过时且容易产生幻觉
• 不支持中文
• 不能生成代码

来对比一下有 RAG 和没有 RAG 的区别，你就明白它有多重要了——

RAG 技术栈：文档加载 → 文本分块 → 向量化（Embedding）→ 存入向量数据库 → 用户提问时检索相似文档 → 拼接成 Prompt 发给 LLM。很多企业级 AI 应用都离不开 RAG。

RAG 让大模型从「通才」变成了「专家」。想让 AI 了解你的公司资料、读懂你的代码库？RAG 就是答案。以后你会经常遇到这个概念。