← 返回概念解读

Concept Fable精修版

检索增强生成

Retrieval-Augmented Generation (RAG) · Knowledge access

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

档案馆学会先把卷宗摆上桌

城里有一座老档案馆。馆长年轻时记性很好,谁问哪条街什么时候修过、哪家铺子有没有欠税、哪艘船上个月靠过岸,他几乎都能答出来。大家觉得他像一本活账。

后来城变大了。新街区不断出现,商队每天进出,条例一季一改。馆长仍然能说出很多旧事,但他开始在细节上出错:把去年的桥税说成今年,把旧码头的船名安到新码头上。

有人劝他多背。馆长于是每天夜里背新卷宗。短时间看起来有用,可第二个月又来了新条例,第三个月又有新地契。越背越多,越背越乱。

另一个办法是让抄录员把所有卷宗都塞进他的书房。结果更糟。每次有人问问题,馆长面前堆满整屋纸卷,找不到重点,回答反而更慢。

有天,一个年轻抄录员换了做法。有人来问‘东桥商铺今年能不能搭棚’,他不再把整座档案馆搬来,也不让馆长凭记忆回答,而是先去找三类卷宗:今年的街市条例、东桥地契、最近一次城管裁决。

他把这几页摊在馆长桌上,说:先看这些,再回答。馆长读完才说:东桥北侧不能搭,南侧可以临时搭,但要避开集市日。来问的人追问:为什么?馆长不再说‘我记得’,而是指给他看:这里是今年新规,这里是地契边界,这里是上个月相同案件的处理结果。

后来档案馆定下一条新规矩:凡是会变、很细、牵涉责任的问题,都不能只靠馆长脑子里的旧知识。先把相关证据找出来,摆在桌上,再让馆长组织成一段能听懂的话。抄录员还给每次回答留下注脚。若答案来自旧条例,就标明旧;若新卷宗互相冲突,就先说明冲突,而不是硬凑一句顺耳的话。证据不只帮助回答,也约束回答。档案馆还规定,找不到证据时就回答找不到。空白比编造更诚实,也让后续补档有方向。

城里人这才发现,馆长最厉害的地方不是记住所有纸,而是在正确的纸摆到面前后,把分散证据连成一个可信答案。

揭示

这个故事讲的是:检索增强生成

检索增强生成(Retrieval-Augmented Generation, RAG)是在生成回答前,先从外部知识库、文档库、数据库或搜索系统中检索相关材料,再把这些材料作为上下文交给模型生成答案。它解决的不是让模型‘记住更多’,而是让模型在回答时能使用最新、私有、可引用的知识。RAG 的关键不只是接一个向量库,而是检索什么、召回多少、是否相关、如何引用、答案是否忠于证据。

它重要的地方在于:它不只是一个术语,而是在真实 AI / Agent 系统里会反复出现的结构性问题。理解它,才能判断什么时候该加模型,什么时候该改流程,什么时候该补治理。

隐喻映射

  • 老馆长:大语言模型本身,擅长组织语言和推理,但记忆可能过时或不完整
  • 不断变化的条例、地契、裁决:企业私有知识、实时数据和经常更新的业务规则
  • 让馆长多背:只靠重新训练或微调来补知识,成本高且更新慢
  • 把所有卷宗塞进书房:把无关上下文全部塞给模型,导致噪音、成本和延迟上升
  • 年轻抄录员先找三类卷宗:检索器按问题找到相关文档或数据片段
  • 把几页证据摊在桌上:把检索结果作为上下文提供给模型
  • 馆长组织成可听懂的回答:生成模型基于证据生成自然语言答案
  • 指给来问的人看出处:引用、溯源和 grounding,用证据约束答案
  • 不能只靠旧知识:RAG 的核心价值是把模型能力和外部知识连接起来,而不是把知识一次性塞进模型参数

Soloharness 判断

这个概念的实战价值,是帮你把“看起来聪明的 AI 功能”拆成可交付、可验收、可治理的工作单元。

memorycontext engineeringvector databaseknowledge basegrounding