检索增强生成（RAG）
检索增强生成（RAG）是一种模式：在查询时从外部存储中获取相关文档并插入到提示词中，使模型基于这些新鲜、具体的材料作答，而不是仅凭记忆。
模型的内建知识在训练时就已固定，无法覆盖私有或最新的数据。RAG 弥补了这一差距：用用户的查询去搜索一个知识库（通常通过向量相似度），把最匹配的结果拉进上下文窗口，再让模型基于它们给出有依据的回答。这使答案保持最新且具体，能够引用来源，并减少幻觉——前提是检索确实找出了正确的材料。
要点
- 在查询时检索相关的文本块，把它们放入提示词，然后基于它们生成有依据的答案。
- 无需重新训练模型即可让答案保持最新且贴合特定领域。
- 支持引用并减少幻觉——但只能做到检索质量所允许的程度。
- 检索质量（分块、embeddings、排序）通常比模型的选择更重要。