检索增强生成，Retrieval-Augmented Generation 是一种结合信息检索与生成模型的技术，旨在通过动态引用外部知识库提升大语言模型（LLM）的准确性、实时性和专业性。
核心机制
RAG通过“检索-增强-生成”三步流程运作： • 检索（Retrieval）：从外部知识库（如文档、数据库）中搜索与用户问题相关的信息；• 增强（Augmentation）：将检索结果整合为上下文输入，增强模型对问题的理解；
• 生成（Generation）：基于检索内容和模型原有知识生成最终回答。
与传统生成模型的区别
传统LLM（如ChatGPT）依赖训练时的固化知识，而RAG像“开卷考试”的学霸，实时检索最新或专业资料辅助回答，减少“幻觉”（即虚构事实）。
核心优势
信息实时性
无需重新训练模型即可接入最新数据，例如新闻、政策或科研论文。领域专业化
可对接企业知识库、法律条文或医学文献，生成更精准的领域内回答。可解释性
答案来源可追溯（如标注引用文档），用户可验证可靠性。
应用场景
企业客服
快速检索产品手册、服务流程，生成符合规范的客户答复。法律咨询
分析法律条文与案例库，辅助律师处理案件。输入“知识产权纠纷”，RAG可检索相似判决依据。医疗诊断
连接医学文献库，辅助医生解读罕见病症状与治疗方案。教育辅助
学生提问历史事件细节时，RAG可从教材、百科中提取资料生成详解答复。
当前限制
• 长上下文处理效率较低，影响实时性。
未来方向
• 多模态RAG：整合图像、音视频等多类型数据；
• 动态知识更新：设计自动化管道持续更新知识库；
• 与其他技术融合：结合强化学习、Agent等提升复杂任务处理能力。