RAG 与知识库问答：给 AI 接上你自己的资料

RAG（检索增强生成）是让 AI"先查资料再回答"的一套机制。你问它公司内部的报销制度，它不会凭空编，而是先去你的文档库里把相关段落找出来，再基于这些真材料作答，并标出答案出自哪份文件。

它解决了什么痛点

大模型训练完就"定型"了，不知道你公司昨天的公告，也背不下你私有的客户资料。要么花大钱微调，要么就接受它瞎编。RAG 走第三条路：知识存在外面，用时现查，便宜又准，资料一更新答案就跟着新。对一些强监管行业（医疗、金融、法务），"答有所依、可溯源"几乎是上线的硬门槛，RAG 正好满足。

一个典型流程

先把文档切块、转成向量存起来；你提问时，把问题也转成向量，去库里找最相近的几块；把这几块连同你的问题一起喂给模型，模型只基于这些内容回答，并标注来源。整个过程模型本身不用动——你换知识库，它就换脑子。切块大小很关键：块太大噪声多，块太小丢上下文，一般按语义或固定字数（如 500 字）切，再留一点重叠防止切断句子。

什么时候该用 RAG

凡是答案依赖"你自己的、会变的、量大"的资料——内部制度、产品手册、研报、客服知识库——RAG 都比换更大的模型管用。反过来，常识类问题（"怎么煮鸡蛋"）用不着它，直接问模型更快。判断标准就一句：这个答案如果错了，是因为"模型不懂你的私有资料"，那就上 RAG。

常见翻车点与对策

最怕"资料乱，再强的模型也白搭"。检索不准通常三个原因：切块太碎、向量模型太弱、没做关键词兜底。实战里常加一层"关键词 + 向量"混合检索，关键时刻能救回漏检。另外，给模型的提示词要明确"只基于以下资料回答，资料没有就明说不知道"，能大幅压住它瞎编的冲动。