RAG
检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合信息检索与大语言模型生成能力的人工智能技术框架。其核心机制是在生成回答前，先从外部知识库中检索相关文档或片段，将其作为上下文输入模型，从而使模型能够利用最新或领域专属知识进行回答，有效缓解大语言模型的幻觉问题和知识截止局限性。
核心事实
时间轴 (近 90 天)
Semantica在RAG基础上引入知识图谱层，使系统能沿关系边进行结构化推理，发现仅靠文本相似度检索无法捕捉的深层关联
一次典型的RAG调用可能检索5-10个文档块，每块500-1000个Token，输入Token总量可达5000-10000个，而生成回答通常只有200-500个Token
RAG中检索召回率与精确率之间存在固有权衡，检索过多文档引入噪声，检索过少遗漏关键信息
从前沿大模型切换到开源小模型时，检索质量的重要性会急剧上升
迁移到小模型省下的推理成本可能被更复杂检索管线的额外算力和延迟部分抵消，因此需实测端到端成本、延迟、质量三项指标
将薄弱或不完整的文本块交给小模型，输出质量会迅速崩坏
在LLM时代，RAG、Prompt Engineering、Agent框架等应用层技术使应用AI入门门槛降低，但对工程集成能力和领域知识要求提高
模型直觉包括判断任务是否需要 RAG、Agent 多步推理或微调等技术路径的选择能力
RAG文档切片业界常用做法是按段落切片（300-500 token）并设置20%-30%的重叠窗口以保持语义连贯
在 RAG 系统中，Markdown 的层级结构为文档分块提供了天然的语义边界，相比纯文本按字数切分能显著提升检索召回率和生成质量
还有 40 条时间轴事件
全部知识事实 (20)
RAG（检索增强生成）架构由 Meta AI 研究团队在 2020 年提出
90%已验证RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%已验证检索增强生成（RAG）架构在模型生成响应前从外部知识库检索相关结构化数据，并将其作为上下文注入以产生更准确的答案
80%已验证RAG（检索增强生成）的核心思想是在大模型生成回答之前，先从外部知识库中检索相关文档片段作为上下文注入Prompt
80%已验证Claude Code通过智能索引和检索增强生成（RAG）技术动态加载相关文件到上下文中
80%已验证RAG的技术演进经历了三个阶段：Naive RAG、Advanced RAG和Modular RAG
80%已验证RAG（检索增强生成）是目前企业级AI应用中最主流的技术方案之一
80%已验证RAG的概念最早由Meta AI（原Facebook AI Research）在2020年的论文中正式提出
80%已验证长期记忆Agent通常基于RAG（检索增强生成）技术构建，通过向量数据库将信息转化为高维向量并持久化存储
80%已验证RAG解决了大语言模型的知识截止日期和幻觉两个根本缺陷
80%已验证检索增强生成（RAG）由Meta AI在2020年提出
80%已验证检索增强生成（RAG）通过基于真实知识库内容回答来解决大模型的幻觉问题
75%已验证检索增强生成（RAG）通过向量数据库将代码库切分为语义片段，在 AI 处理具体任务时动态检索最相关的内容注入上下文
75%已验证标准RAG管线通常包含文档预处理、文本分块、Embedding向量化、向量数据库存储、近似最近邻检索、可选重排序及最终生成共七个环节
75%已验证Dify内置了RAG（检索增强生成）引擎、Agent框架和工作流编排器
75%已验证典型的RAG流程包括文档切片、向量化嵌入、存入向量数据库、语义检索、上下文拼接和最终生成六个步骤
75%已验证RAG（检索增强生成）是一种结合信息检索与生成式大模型的架构范式，模型生成答案前先根据用户查询从外部知识库检索最相关的文档片段，再将其作为上下文注入模型
70%已验证RAG（Retrieval-Augmented Generation）是2020年由Facebook AI Research提出的架构范式
70%已验证RAGFlow是一款开源的RAG引擎，提供完整的知识库管理和智能问答功能
70%已验证高级RAG已引入查询重写、混合检索和重排序等机制以提升检索准确性
65%