什么是 RAG 检索增强生成：让 AI 回答有据可依

「第二教育网」是一个专注于优质教育资源导航与学习方法分享的第三方平台。本文将从方法、工具与实操几个角度，帮你把这件事一次看明白。

如果你问 AI 一个只有你们学校内部资料里才有的知识点，它多半会瞎编。但如果你先把资料喂给它，它就能答得有板有眼。这个"先查资料再回答"的思路，就是 RAG。

RAG 是什么

RAG 是 Retrieval-Augmented Generation 的缩写，中文叫检索增强生成。一句话概括：在模型生成答案之前，先从外部知识库里检索出相关片段，把片段连同问题一起交给模型，让它依据这些材料作答。

它改变的是信息来源。普通问答依赖模型训练时记住的参数化知识，而 RAG 依赖的是你提供的、可随时更新的外部资料。

完整流程是怎样的

• 切分：把教材、讲义、题库按段落或小节切成小块。
• 向量化：用一个嵌入模型把每块内容转成向量，也就是一串能表达语义的数字。
• 存储：把向量存入向量数据库，同时保留原文对应关系。
• 检索：用户提问时，把问题也转成向量，在库里找出语义最接近的若干片段。
• 生成：把问题和检索到的片段一起送进大模型，要求它只依据材料回答并标注出处。

它解决了什么问题

减少幻觉。模型的回答被限定在材料范围内，编造空间大幅压缩，而且可以附上来源供核查。

知识可更新。新政策、新教材、新校规，只要更新知识库就立即生效，不需要重新训练模型，成本极低。

保护数据不出域。校本资料可以放在本地或校内服务器，配合本地模型使用，兼顾智能与隐私。

落地时要注意的三件事

第一，切分粒度最关键。切得太碎，语义不完整；切得太长，检索到的片段里夹杂大量无关内容。一般按小节或语义完整的段落切分，并保留标题信息。

第二，检索质量决定上限。如果检索阶段没找到正确片段，后面的模型再强也答不对。可以通过调整返回片段数量、加入关键词混合检索来改善。

第三，提示词要明确约束。必须明确要求"只依据所给材料回答，材料未涉及请说明"，否则模型仍可能调用自己的记忆来补全。

对教学的启发

RAG 的思路其实和良好的学习习惯高度一致：先查资料，再下结论，并注明出处。把这个流程讲给学生听，比单纯教他们用某个工具更有长期价值。