检索增强生成（Retrieval-Augmented Generation，RAG）是一种将信息检索与文本生成相结合的AI架构。它解决了LLM的两大痛点：知识截止日期（训练数据有截止时间）和幻觉问题（编造不存在的事实）。
工作流程
1. 用户提问 → 2. 将问题转为向量在知识库中检索相关文档 → 3. 将检索到的文档与问题一起送入LLM → 4. LLM基于检索到的真实信息生成回答
核心组件
- Embedding模型：将文本转为向量（如OpenAI text-embedding-3、BGE-M3）
- 向量数据库：存储和检索向量（如Pinecone、Milvus、Chroma、Qdrant）
- 检索策略：语义搜索、混合搜索（语义+关键词）、重排序（Rerank）
- 分块策略：如何将文档切成合适的片段（Chunk）
进阶变体
- GraphRAG：结合知识图谱，提升多跳推理能力
- Agentic RAG：AI自主规划检索步骤，多次检索+验证
- Multimodal RAG：支持图片、表格等多模态内容检索
典型应用
企业知识库问答、客服系统、法律/医疗文档分析、个人知识管理。