RAG 检索增强生成

RAG 是让大模型「先查资料再回答」的架构。用户提问后，系统先从企业文档、产品手册、FAQ 等资料中检索出最相关的片段，把它们和问题一起放进提示词，模型据此生成回答，并可以附上出处。

典型流程包括：文档解析与切分、生成向量并写入向量数据库、按问题做向量检索与关键词检索（混合检索）、对结果重排序、组装提示词生成回答。资料更新时只需重新索引，不必重新训练模型。

对企业来说，RAG 是让 AI 回答「本公司的事」的主流方式，适合客服问答、内部制度查询、售后排障、销售资料助手等场景。它成本低于模型微调，知识更新及时，回答也更容易追溯来源。

RAG 的效果很大程度上取决于资料本身：文档过时、互相矛盾、扫描件未识别文字，都会让回答出错。上线前要准备一组真实问题做评测，并设置「资料中找不到就明确说不知道」的兜底策略。