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)
与纯LLM方案相比，RAG显著降低了幻觉问题的发生率
标准向量RAG只能找到与查询语义相似的孤立片段，无法理解片段之间的关系
Portable Computer与其他本地部署工具的差异在于它集成了Perplexity的检索增强生成（RAG）能力和搜索流程，提供端到端的AI搜索体验
RAG通过先检索后生成的机制可将大模型幻觉率降低40%-70%
Coze内置RAG（检索增强生成）能力，允许上传企业文档等私有知识库
相比传统关键词检索，向量检索能理解语义等价性，检索准确率提升30-50%
RAG方案每次查询的成本可以低至不到一美分
传统向量RAG在复杂多跳查询场景中准确率普遍为68%~72%
Knockin'采用基于RAG(检索增强生成)技术的AI训练机制
RAG方案相比完整微调的优势在于成本更低、更新更快且能严格控制AI回答的信息边界
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%已验证混合检索（Hybrid Search）将向量检索与BM25关键词检索的结果通过RRF（倒数排名融合）等算法合并，兼顾语义理解与精确匹配
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RAG（检索增强生成）技术由Meta AI在2020年首次提出，旨在解决大语言模型的知识截止日期限制和幻觉问题
80%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LangChain是目前最流行的大模型应用开发框架，提供了链式调用、记忆管理、工具调用等抽象层
80%已验证RAG技术路线已从朴素RAG演进到高级RAG和模块化RAG
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Cursor的核心技术是检索增强生成（RAG），通过对本地代码库建立向量索引来提供代码上下文
80%已验证检索增强生成（RAG）由Meta AI在2020年提出
80%已验证LlamaIndex专注于数据索引与检索场景，在RAG应用构建方面具有更精细的控制能力
80%已验证RAG（检索增强生成）是解决大模型幻觉问题和知识时效性问题的核心架构模式
80%已验证RAG机制从根本上缓解了LLM的幻觉问题，使回答基于真实知识库内容并给出可追溯来源
75%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%