检索增强生成

先把你的资料切成片段建索引，提问时先检索出相关段落，再连同问题一起交给模型作答的方案。

它让模型能用上你公司的私有资料并给出出处，是目前企业落地 AI 最普遍、投入也相对可控的一条路。

像开卷考试：模型不再凭记忆答题，而是先去书架上翻出对应的那几页，再照着内容写答案。

把产品手册和售后 FAQ 接进知识库后问「C 型号固件升级失败怎么办」，回答会引用手册里的具体章节，你也能点开看它依据的是哪一段原文。

• 误解：RAG 是让模型重新训练了一遍。 事实：它不改动模型参数，只是把检索到的内容临时放进提示词里。

• 误解：接了 RAG 就不会再胡说。 事实：检索命中错片段、或原文本身含糊时，模型照样会顺着错误内容编下去。

• 误解：文档越多效果越好。 事实：质量取决于切分方式、嵌入质量和检索排序，垃圾文档只会稀释正确片段。

• 误解：想用就得自己写代码。 事实：NotebookLM、腾讯元器这类产品已经把流程封装好，上传资料即可体验。

• 嵌入（向量表示）把文字、图片等对象映射成一串能衡量语义距离的数值，意思越接近，这串数值在空间里就靠得越近。
• 向量数据库按语义相似度而非关键词存取数据的系统，把内容转成数值向量，比较时看「意思有多接近」。
• 上下文窗口模型单次能同时「看到」的文本总量上限，含系统指令、历史对话和本轮输入，超出部分会被截断。
• 幻觉模型用「看起来该这么答」代替「确认这是真的」，于是会一本正经地编造不存在的引用和数字。
• 模型上下文协议让不同 AI 应用以统一方式连接数据库、文件与外部工具的协议，把「怎么接」变成通用接口。