---
created: 2026-04-28
type: concept
tags: [RAG，检索增强生成，LLM，知识库]
---

# RAG（检索增强生成）

> Retrieval-Augmented Generation：先检索相关知识，再生成回答

## 定义

RAG 是一种将外部知识库检索与 LLM 生成相结合的技术架构。它让 LLM 在回答问题前，先从特定知识库中检索相关信息，基于检索到的内容生成更准确、更少幻觉的回答。

## 工作流程

```
用户提问 → 向量化 → 检索相关知识块 → 组装 Prompt → LLM 生成回答
```

## 核心组件

| 组件 | 说明 |
|------|------|
| 文档分块（Chunking） | 将长文档拆分为小块（通常 500-1000 tokens） |
| 向量化（Embedding） | 用 embedding 模型将文本转为向量 |
| 向量数据库 | 存储和检索向量（如 FAISS、Pinecone、Chroma） |
| 检索器 | 根据查询向量找到最相关的知识块 |
| LLM | 基于检索到的内容生成回答 |

## RAG 的演进

| 版本 | 特点 |
|------|------|
| Naive RAG | 简单检索+生成，容易遗漏上下文 |
| Advanced RAG | 增加重排序、查询扩展、多路召回 |
| **GraphRAG** | 引入知识图谱，支持多跳推理和全局理解 |
| Agentic RAG | 智能体自主决定何时检索、检索什么 |

## 优势与劣势

| 优势 ✅ | 劣势 ⚠️ |
|---------|---------|
| 减少幻觉 | 检索质量直接影响回答质量 |
| 支持实时知识更新 | 文档分块可能割裂上下文 |
| 可追溯来源 | 向量相似度≠语义相关性 |
| 降低 LLM 训练成本 | 无法回答知识库外的全新问题 |

## 应用场景

- 企业内部知识库问答
- 客服机器人
- 文档智能检索
- 法律/医疗专业问答

## 相关概念

- [[知识图谱]]（GraphRAG 的基础）
- [[神经网络]]（embedding 模型的基础）
- [[Transformer 架构]]（LLM 和 embedding 的共同基础）

---

*整理自知识库参考资料*