说明为什么需要 RAG 及其关键组件。
RAG = Retrieval-Augmented Generation:先检索外部知识,再让 LLM 基于检索内容生成答案,缓解幻觉、注入私有/实时知识。
离线(建库):文档切片 → 向量化(Embedding 模型)→ 存入向量数据库。
在线(问答):用户问题向量化 → 向量库相似检索 Top-K 片段 → 拼进 Prompt(上下文)→ LLM 生成带引用的回答。
关键:切片策略、Embedding 质量、检索召回率、重排(rerank)、上下文裁剪、引用溯源。RAG 适合企业知识库、客服、合规问答。
题目与答案就在本页;收藏、批注和错题重练在应用内