RAG 是什么？它解决了大模型应用中的什么问题？
文章内容
RAG 是什么？它解决了大模型应用中的什么问题？
这是一道大模型应用的基础概念题，面试官想看你是否理解 RAG 的本质以及它在大模型落地中的价值。核心考察点有两个：RAG 的定义和工作原理、RAG 相比纯 LLM 的优势。
RAG 是什么
RAG = Retrieval-Augmented Generation（检索增强生成）
简单说，就是给大模型接一个"图书馆"。它不是让模型自己硬想答案，而是先从外部知识库检索相关内容，再带着这些资料去生成回答。
想象你参加开卷考试，题目不会怎么办？你会去翻书找资料，然后结合找到的内容组织答案。RAG 就是这个思路——它让 LLM 从"只靠记忆答题"变成"先查资料再回答"。
这种架构特别适合需要精准回答私有知识或实时信息的场景。
RAG 解决了什么问题
大模型有三个硬伤，RAG 恰恰能打中这些痛点：
1. 知识有截止日期
训练数据不可能涵盖最新信息。ChatGPT 的知识截止到 2024 年 1 月，问它今天股市怎么样，它只能瞎编。RAG 可以接实时数据库，让回答跟上最新动态。
2. 幻觉问题
LLM 有时候会一本正经地胡说八道——生成的内容语法正确、逻辑通顺，但事实错误。RAG 的解决方案是：答案必须有据可查，检索出来的文档就是"锚点"，能大幅减少幻觉。
3. 私有知识无法回答
公司内部文档、产品手册、客服历史记录——这些数据根本没在模型训练里。直接问 LLM，只能得到通用回答。RAG 可以构建私有知识库，让模型"懂"这些专有内容。
4. 领域知识深度不足
医学、法律、金融这些专业领域，通用大模型往往只知道皮毛。RAG 允许你灌入专业资料，让模型具备领域专家级别的回答能力。
RAG 工作流程
RAG 的完整流程分 6 步，理解这个流程是回答"怎么实现的"这类追问的关键：
第一步：文档分块（Chunking）
把长文档切成小段。为什么要分？因为大模型有上下文长度限制，不可能把整本书都塞进去。一般切成 500-1000 字的小块。
第二步：嵌入向量（Embedding）
把每块文字转成数学向量——也就是一串数字。这一步用的是专门的 embedding 模型，比如 text-embedding-ada-002。相同含义的内容，转成的向量在数学上"距离更近"。
第三步：构建索引（Indexing）
把这些向量存进向量数据库，比如 Milvus、Pinecone、ChromaDB。索引就像图书馆的目录卡片，方便快速定位。
第四步：查询处理（Query Processing）
当用户提问时，把问题本身也转成向量。
第五步：相似度检索（Retrieval）
用问题向量去匹配知识库中最相似的文档块。向量数据库会返回 Top-K 个最相关的块。
第六步：生成回答（Generation）
把检索到的文档块 + 用户问题一起塞给 LLM，让它"带着资料"生成答案。
整个过程可以理解为：图书馆找书 → 找到参考资料 → 带着资料回答。
面试怎么答
基础版（150字）
RAG，即检索增强生成，是一种将外部知识检索与大语言模型结合的技术架构。它主要解决三个问题：一是知识过时，模型训练数据有截止日期，无法回答实时信息；二是幻觉问题，RAG 让答案有据可查，减少胡说八道；三是无法访问私有数据，企业内部文档、产品手册这些内容，RAG 可以通过构建知识库让模型"学会"。工作流程是：文档分块 → 向量嵌入 → 构建索引 → 用户查询转向量 → 相似度检索 → 结合检索结果生成回答。
加分版（在基础版上加）
如果面试官追问"什么时候用 RAG 而不是微调"，可以这样区分：动态知识用 RAG，固定模式用微调。 比如你的数据频繁更新（产品库、新闻库），或者你需要可解释性（答案必须能溯源到具体文档），选 RAG。如果你要让模型学会某种说话风格、思维模式，或者任务非常垂直固定（比如特定格式的文本生成），微调更合适。现在工业界的主流做法是 RAG + 微调组合使用，发挥各自优势。
一句话总结
RAG 就是给大模型外接了一个实时、可溯源的"知识外挂"，用它来解决知识陈旧、幻觉、私有数据无法回答这三大痛点。