RAG：从资料到有依据的回答

01为什么需要检索

模型自身的参数并不是实时业务数据库。面对产品政策、企业文件或持续更新的知识，可以先检索相关材料，再把材料和问题交给模型生成答案。这就是检索增强生成的基本思路。RAG 通常不通过这一步更新模型参数。

它可以为答案提供材料，但不保证回答自动正确。文档过期、解析错误、检索遗漏或模型误解都可能造成问题。产品仍需展示依据，并明确材料不足时怎样回答。

02一条典型链路

资料进入系统后，先转成可处理文本，再按结构切分并建立索引。用户提问时，系统查找候选片段，可进一步重排，然后把选中的证据放入上下文生成回答。生成后还要考虑引用、信息不足和用户反馈。

03一个知识问答的排查例子

教学示例：用户问“晚到一天还能申请吗”，系统回答可以，但现行通知明确截止。先看现行通知是否在库中；如果有，再看检索有没有找到；如果找到了，再看模型是否使用了它；最后检查页面是否把旧答案缓存展示给用户。

这四种原因分别涉及知识更新、检索、生成和应用实现。只换更大的模型可能无法解决前三种之外的问题；只看最后一句话也难以区分责任环节。

04RAG 与微调、Agent 的关系

RAG 侧重给模型补充当前任务的外部材料；微调侧重用训练改变模型行为；Agent 侧重在任务中选择并执行行动。它们可以组合：Agent 调用检索工具获取资料，模型也可能经过微调。

知识库变化频繁时，可以先检查内容维护与检索方案；输出格式或特定任务行为需要稳定适配时，才进一步分析训练是否合适。选择取决于问题和评价结果，而不是把所有技术叠加。