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)
结构化追踪记录每一步的输入输出、状态和耗时，使 RAG 智能体的故障定位从「猜」变成「查」。
RAG 演示环境通常假设每一环都能稳定返回，但生产环境中超时和重试才是常态。
对于 RAG 智能体，追踪需要额外捕获检索文档 ID、工具调用参数与返回以及模型采样的关键元数据。
故障注入在分布式系统测试中已是成熟手段，迁移到 RAG 智能体场景后，可在受控环境中复现超时、异常返回和权限拒绝等情形，提前验证链路韧性。
本地化部署RAG（文档不出本地、模型运行在本地）可让隐私敏感的内部资料不必上传第三方。
当前主流的RAG实现多采用向量数据库对非结构化文本进行稠密检索，而对表格、关系数据库等结构化数据源的检索支持相对薄弱。
长上下文模型并不必然取代 RAG：当语料规模远超 1M token 时仍需检索。
面试官可能会问“什么叫向量数据库？”“RAG如何挂载知识库？”“MCP是什么？”等问题，这些已成为大模型方向岗位的必问题。
论文知识库常见做法有两种：直接粘贴或上传文献到支持长上下文的对话窗口，或借助支持文件上传或RAG的工具让模型检索文献片段
缓解引用类幻觉的常见手段包括检索增强生成（RAG）、强制引用来源、以及对关键字段做规则校验。
还有 40 条时间轴事件
全部知识事实 (20)
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
90%已验证GraphRAG的核心是把知识图谱融入传统RAG流程，以三元组（两个实体及其关系）形式组织信息
90%已验证Prompt注入（Prompt Injection）是针对大语言模型应用的安全威胁，攻击者通过在输入中嵌入恶意指令试图覆盖系统原有行为约束
90%已验证LlamaIndex（原GPT Index）专注于数据索引和检索增强生成（RAG）场景
90%已验证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Cursor的AI代理能力通过RAG（检索增强生成）技术将相关代码上下文注入大语言模型实现精准任务执行
90%已验证RAG（检索增强生成）的典型流程包括文档分块（Chunking）、向量嵌入（Embedding）、相似度检索（Similarity Search）和上下文注入（Context Injection）四个步骤
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Perplexity AI底层采用RAG（检索增强生成）技术架构，实时抓取网络内容结合LLM输出带引用来源的结构化答案
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%已验证参数化知识指语言模型在预训练阶段压缩进权重参数中形成的内隐记忆，非参数化知识指推理时通过检索获取的知识
85%已验证检索增强生成（RAG）通过引入实时网络搜索并附上引用来源来锚定事实，但其效果受搜索结果质量、文档解析准确率、模型理解能力等环节影响
85%已验证RAG的回答质量很大程度上取决于检索环节，而非模型能力本身
85%已验证RAG的核心逻辑是将文档切片后向量化存储，查询时通过语义相似度检索相关片段注入上下文
85%已验证AI评估对象分为大语言模型评估、知识库（RAG）评估、智能体（Agent）评估三层，且呈知识度和复杂度递增的递进关系
80%已验证基于向量数据库的RAG（检索增强生成）方案更擅长处理文档型知识，但对高度结构化的工程事实检索精准度和实时性往往不够理想
80%已验证RAG的工作原理分为检索阶段（将问题转为向量从知识库召回相关内容）和生成阶段（将召回上下文与问题输入模型作答）
80%已验证RAG工作流程分离线和在线两阶段：离线将文档切分转化为向量存入向量数据库，在线将问题转化为向量通过ANN算法检索最相似文本片段拼接进上下文
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
80%已验证RAG（检索增强生成）通过搭建外部知识库让Agent在回答前先检索相关资料，从而突破模型训练数据局限
80%