👨⚕️ 主页： gis分享者 👨⚕️ 感谢各位大佬 点赞👍 收藏⭐ 留言📝 加关注✅! 👨⚕️ 收录于专栏：AI大模型原理和应用面试题 
文章目录
- 一、🍀回答重点
- 二、🍀RAG（检索增强生成）
-
- 2.1 ☘️RAG的工作原理
- 2.2 ☘️RAG解决的大模型核心问题
- 2.3 ☘️RAG的技术演进
- 2.4 ☘️实施RAG的关键考量
- 三、🍀扩展知识
一、🍀回答重点
RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索和内容生成的 AI 技术架构。简单来说，就是让 AI 在回答问题之前先去查资料，基于查到的真实信息来生成答案，而不是完全依赖训练时学到的知识。
RAG 的核心工作方式是\”先检索，再生成\”。当用户提出问题时，系统首先从知识库中检索相关文档，然后把这些文档作为上下文提供给大模型，引导模型基于这些真实材料生成回答。这就像考试时可以翻书查资料，而不是纯靠记忆答题。
RAG 主要解决了大模型的三大痛点。第一是知识时效性问题，大模型的知识来自训练数据，往往存在时间滞后，而 RAG 可以实时获取最新信息。第二是幻觉问题，大模型有时会编造不存在的信息，RAG 通过提供真实文档作为依据，能显著减少胡编乱造。第三是知识边界问题，大模型无法访问私有数据或专业领域知识，RAG 可以连接企业内部文档、专业资料等外部知识源。 
二、🍀RAG（检索增强生成）
RAG（Ret
