AI系列面试8：什么是RAG？为什么想到做 RAG 项目？

什么是RAG？

RAG 的全称是 Retrieval-Augmented Generation，中文意为检索增强生成。

简单来说，它是一种给大语言模型“配上一本可以随时翻阅的参考书”的技术。

你可以把大语言模型想象成一个记忆力超群、知识渊博的“超级学霸”。但这个学霸有两个天生的“缺陷”：

1. 知识截止日期：他学到的知识只截止于训练时的数据。2023年之后发生的事情，他一无所知。
2. 可能“胡编乱造”：当遇到他不知道的问题时，他不会说“我不知道”，而是会凭想象力“编造”一个听起来合理的答案（这就是AI幻觉）。

RAG 就是来解决这两个问题的。它的工作流程很简单，分三步：

1. 检索：当你问一个问题时，系统会先去一个“外部知识库”（比如你公司的所有文档、最新的维基百科、或者一堆法律条文）里，快速搜索并找出最相关的几段信息。这就像让学生先针对问题去翻书查找。
2. 增强：系统把“你问的问题”和“检索到的相关段落”打包在一起，形成一个“增强版”的提示词。这就像给了学生一份参考资料。
3. 生成：大语言模型基于这个“增强版”提示词来生成最终答案。它不再只依赖自己“记忆”中的旧知识，而是主要参考你提供的“参考资料”来回答。这就像学生看着书本资料回答问题，而不是空想。

一个简单的类比：
- 传统LLM：“如何修理我的XX型号自行车？” → 模型凭记忆回答，可能过时或错误。
- RAG：“如何修理我的XX型号自行车？” → 先检索最新的官方维修手册 → 再生成：“根据2024版维修手册第3章，你应该先……”

为什么想到做 RAG 项目？

做RAG项目，本质上是为了扬长避短，释放大语言模型的真正潜力。主要有以下几个核心驱动力：

1. 解决“知识过时”和“幻觉”问题

   • 动机：想让LLM回答关于最新事件、内部数据、私有文档的问题，同时确保答案有据可查。
   • 价值：一个能做RAG的医疗问答系统，可以引用最新医学期刊回答“新冠最新变异株的症状”，而不是给出2021年的过时信息，并附上引文来源，大大降低了“信口开河”的风险。

2. 让AI能处理“私有数据”，同时保证安全

   • 动机：每家公司都有自己的知识库（合同、代码、客服记录等）。这些数据不能拿去重新训练或微调模型（成本高、技术难、有数据泄露风险）。
   • 价值：通过RAG，你可以构建一个公司内部的“AI问答助手”。员工提问后，AI会从公司内部的私有文档中检索相关信息来回答。私有数据始终保存在公司内部，不会被发送给模型厂商用于训练，既利用了LLM的理解能力，又保证了数据安全。

3. 降低成本，提升效率

   • 动机：重新训练或微调一个大模型来吸收新知识，就像把整个图书馆再学一遍，需要巨额算力和成本。
   • 价值：RAG几乎不需要训练，只需要搭建检索系统。成本可能就是微调的1%，甚至更低。而且知识库更新了，检索结果自然就更新了，无需重新训练模型，做到了“实时更新”。

4. 让AI“知之为知之，不知为不知”

   • 动机：希望模型能对自己的知识边界有清晰的认知。
   • 价值：RAG的系统可以设定一个规则：如果检索不到相关文档，就直接回答“对不起，我没有在知识库中找到相关的信息，请您确认问题。”这种“引用失败”的机制，让AI的运作方式更加可靠和透明。

总结一下：

想到做RAG项目，是因为我们既想要大语言模型强大的理解和表达能力，又想让它变得“诚实、可靠、与时俱进、懂私有业务”。它就像给超级引擎（LLM）装上了精准可控的方向盘和实时更新的导航地图（检索系统），是目前让LLM真正落地到企业、医疗、法律、金融等严肃领域的最有效、最主流的技术路径之一。