检索增强生成

RAG的核心思想是在大模型生成回答前，先从外部知识库检索相关信息作为上下文注入提示词

检索增强生成（RAG）在生成回答前从企业私有知识库检索相关文档片段注入提示词，导致每次查询都将内部文档片段发送至模型服务商服务器

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

对使用RAG的系统，检索质量和答案质量应分开监控，因为糟糕的答案可能源于检索差而非生成能力弱

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

检索增强生成（RAG）是主流幻觉抑制技术，在模型生成回答前从外部知识库检索相关文档片段作为上下文注入提示词

目前解决AI知识截止问题的方案包括RAG（检索增强生成）、在提示中粘贴最新文档内容，或使用支持更长上下文窗口的模型

检索相关记忆并注入上下文的机制在学术界常被称为检索增强生成（RAG）的记忆扩展形式

法律AI产品通常需要引入检索增强生成（RAG）、引用溯源和人工复核工作流等机制来抑制幻觉。

在维基百科场景中，RAG让完全伪造的引用减少，但“真来源、错解读”的引用反而更隐蔽、更难排查。

Agent 记忆的“召回”在工程上通常对应检索增强生成（RAG）的思路：将历史交互切分、向量化后存入索引，按语义相似度或混合检索取回相关片段。

越来越多的垂直领域AI开始采用「检索增强+来源约束」的架构，法律、医疗、金融等高风险场景对幻觉的容忍度极低。

该助手的工作逻辑本质上属于检索增强生成（RAG）架构。

检索增强生成（RAG）的思路与可核查写作一致，但后者更强调“宁可不发，也不发无源之言”的克制。

RAG实践中通常需要加入重排序（rerank）、引用溯源、无答案时拒答等机制来提升稳定性。

证据束（bundle）思路要求把逻辑上相互依赖的片段视为不可分割的最小单元，整束纳入或整束放弃，以避免模型基于残缺证据给出错误回答。

常见错误是按相似度取放得下的前k个chunk，但相关片段可能分散且不完整，只含规则不含例外的提示会输出自信但错误的答案。

解决引用问题的思路是把检索与生成分开，让负责生成的模型只处理已经拿到的文件内容，把逐字引用交给检索或字符串匹配脚本完成。

许多RAG应用的误区在于将“拒答”视为异常情况，导致模型在证据不足时仍倾向于给出一个答案。

检索与生成应拆分为两个独立节点，这意味着检索结果可以单独审查和缓存，生成提示词也可以不动检索逻辑而单独迭代。