01. 什么是 RAG？它主要解决了什么问题？

简单回答

RAG 是检索增强生成，本质上是在模型回答前，先从外部知识库检索相关内容，再把检索结果作为上下文提供给模型生成答案。

详细解析

• 它主要解决三类问题：模型参数知识不够新、私有知识无法直接写进底座模型、纯生成容易幻觉。
• 相比直接微调，RAG 对知识更新更灵活，改文档即可，不必每次都重新训练模型。
• 但 RAG 也不是万能的，它更适合知识密集型任务，不一定能直接提升复杂推理或格式控制能力。
• 面试时应把 RAG 讲成“检索系统 + 大模型生成”的组合，而不是只说“给模型喂资料”。

面试时可以这样答

一句好回答通常会同时说清“为什么要用”和“什么时候不该乱用”。

常见追问

• RAG 和微调是什么关系？
• RAG 为什么还能减少幻觉？