大家好，我是大熊。这次聊一个大熊最近在使用的工具——RAG（Retrieval-Augmented Generation）检索增强生成。它最早是Patrick Lewis等人提出来的[1]。避免大家啃论文，大熊总结了一下流程：
什么是 RAG系统？
RAG系统工作流程是什么？
1. 用户提问（如：“大熊公司的休假制度是怎样的？”）
2. 向量检索系统从知识库中找到相关内容（如：人事手册）
3. 大模型结合这些资料进行回答，准确又贴合业务（如：大模型Qwen3进行总结并回答）
总结一下，就是用户对RAG系统提问，进而驱动向量检索系统，从知识库中提取相关信息，并由大模型融合上下文生成准确且业务相关的回答。
RAG系统解决了什么问题？
|
模型类型 |
行为比喻 |
特点 |
|---|---|---|
|
普通大模型 |
熊自己在脑袋里猜 |
容易胡说八道 |
|
RAG 模型 |
熊问图书管理员，查书后再回答 |
准确、可信 |
具体是大模型哪些痛点呢？
-
幻觉：模型乱编内容
-
上下文长度受限：上下文太长太贵，处理长文档困难
-
知识更新困难：新政策、新流程无法第一时间学会
-
支持动态更新：知识库更新，模型立马跟得上
什么时候适合用RAG系统？什么时候不适合？
适合场景：
-
企业内部知识问答（规章制度、FAQ）
-
合同、政策、PDF类复杂文档问答
-
本地私有数据不可上传到云时（本地部署）
不适合场景：
-
创意类写作（小说、广告文案等） -
数据分析、计算能力强的场景（RAG本身不会帮你写SQL）
-
需要强逻辑推理/知识融合的推理题（RAG只是查资料）
当然RAG系统应用场景还有很多，欢迎在评论区留言和大熊头脑风暴。
最后，它不像做基础模型那样费钱，也不像一些炫酷demo那样“华而不实”，大熊也发现RAG系统是最能落地的AI能力之一，值得大家持续关注。
参考文献：
[1]https://proceedings.neurips.cc/paper/2020/file/6b493230205f780e1bc26945df7481e5-Paper.pdf
