检索增强生成

换成大白话

检索增强生成（Retrieval-Augmented Generation, RAG）是在模型生成回答前，先从外部知识库（文档、数据库、网页）检索相关片段，将其作为上下文注入提示，让模型基于检索内容作答的技术。 RAG解决了大模型的三大痛点：知识截止（无法获取最新信息）、幻觉（编造事实）、私有数据缺失（不知企业内部知识）。它让模型"查阅资料再回答"，显著提升事实准确性和可溯源性，是企业级AI应用的主流架构。 RAG系统的关键组件包括：文档切分、嵌入模型、向量数据库、检索策略（稠密/稀疏/混合）、重排序、上下文组装。检索质量直接决定RAG效果，是工程优化的重点。

它通常在什么场景出现

这个术语常见于模型选择、训练与微调、推理与部署、评测或产品功能说明等场景；当你遇到“检索增强生成”时，多半是在讨论模型行为、处理方式或指标口径。

具体出现在哪类场景，可以用下方“跨库查找”搜索包含该概念的模型、训练、评测或产品资料。

容易混淆的地方

不要把“检索增强生成”理解成模型本身的能力或在某个榜单上的具体名次；它更多是描述一种机制、一种处理方式或一个指标口径，而不是模型实力的绝对结论。