参考答案
内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 74 天前更新 · 技术内容可能随版本变化,建议结合官方文档理解
要点:
- 知识时效性与静态性:大模型的参数在训练后固定,无法获知训练截止之后的新事件、新政策、新版本 API;RAG 通过检索外部最新文档,把“记忆”与“知识”解耦,回答时可引用实时资料。
- 幻觉(Hallucination):模型在参数记忆不足时会“编造”看似合理但错误的内容;RAG 要求生成时以检索到的上下文为依据(grounded generation),显著降低无依据作答。
- 私有/垂直数据不可达:企业内网文档、工单、代码库等无法进入公开训练集;RAG 让模型在不微调的前提下访问这些受控语料,兼顾数据安全与可用性。
- 边界提示:RAG 解决“知识获取”,微调解决“能力/风格塑造”;需要固定领域行为时用微调,需要动态知识时用 RAG,二者常结合使用。