RAG（检索增强生成）

打个比方：有两类学生参加考试：

• 学生 A 只靠脑子里的记忆答题。碰到自己没学过的新知识点，只能瞎编——这就是普通 AI（没有 RAG）。
• 学生 B 碰到不确定的题，先翻开课本查一下相关章节，然后基于课本内容答题。回答准确得多，而且如果课本是最新版，答案也是最新的——这就是 RAG（开卷考试）。

RAG 怎么实现"开卷考试"

1. 先把课本变成索引卡片：把公司文档、知识库切成小段，每段做一个"语义标签"（Embedding），存进卡片柜。
2. 你提问时：不直接把问题丢给 AI，而是先去卡片柜里找"哪些卡片和这个问题最相关"。
3. 翻出相关的卡片：把相关卡片和你的问题一起递给 AI，说"基于这些资料回答"。
4. AI 基于真实资料作答：不会瞎编，因为有卡片上清清楚楚写着呢。

什么时候用 RAG

• 公司内部问答：员工手册今天改了，明天 AI 就能答出最新的规定——因为每次回答前都会重新翻卡片。
• 法律顾问：法规更新后，只要更新知识库，AI 就能给你最新法条。
• 客服机器人：产品文档更新后，回答立刻变。

RAG vs Fine-tuning：抄笔记 vs 背下来

RAG 是让你翻笔记本找答案——笔记本更新后答案自动更新。Fine-tuning 是让你把整本书背下来——书改版了你就得重新背。对于信息经常变动的场景（公司制度、产品文档、法律法规），RAG 远比 Fine-tuning 合适。