为什么需要RAG

大语言模型（ChatGPT、DeepSeek 等）很强大，但有两个天生的局限：

1. 知识截止日期：模型的训练数据是有截止时间的，最新发生的事它不知道

2. 不懂你的私有知识：公司内部文件、专属数据库、私人资料——模型根本没见过

🌟 思考一下：你有没有遇到过让 AI 回答某个问题，结果它给出了过时或错误的信息？

这就是 LLM 局限性的真实体现。RAG 就是专门来解决这类问题的。

RAG是什么——类比"开卷考试"

你可以把 RAG 想象成开卷考试。让 LLM 先去「翻书」，找到相关的内容，再用这些内容来回答你的问题。

🎨 RAG 的全称：Retrieval Augmented Generation（检索增强生成）

• Retrieval（检索）：先去查资料

• Augmented（增强）：把查到的内容加进 Prompt

• Generation（生成）：让 LLM 基于资料回答

与 fine-tuning 的区别：

对比维度	RAG	Fine-tuning
知识更新	随时更新知识库	需要重新训练
数据需求	无需标注	需要大量标注数据
成本	低	高
适用场景	私有知识、动态知识	风格迁移、特定任务优化

RAG能解决什么问题

RAG 最适合以下三类场景：

1. 企业内部知识问答

• 公司文档、规章制度、技术手册
• 用 RAG 让 AI 读懂你公司的专属内容

2. 实时信息查询

• 接入最新数据库，让 AI 回答最新问题
• 比如：今日股价、最新政策、实时天气

3. 垂直领域专家问答

• 医疗、法律、教育等专业领域
• 用你的专业知识库让 AI 更专业

RAG应用场景

RAG通常不是单独使用的

🎨 我们平常看到的很多Agent里面都是包含RAG，比如CodeAgent，在写代码之前，它也需要查询到相关的代码放入上下文。