05 — RAG（检索增强生成）

学习路径

目录	内容
RAG 链路	向量表示、完整流水线和工具化检索
高级 RAG 方法	查询变换、检索排序、层次索引、自适应 RAG、GraphRAG 和证据治理
RAG 评估与生产工程	分层评估、企业知识库生命周期，以及结构化和多模态检索

核心原理

RAG = 取得外部证据，再基于证据生成。最简单的实现是在回答前搜索知识库，把相关片段放进提示词；完整系统还要决定是否检索、如何改写问题、如何融合多个来源、怎样判断证据是否充分，以及资料发生变化后怎样更新索引。

可以把它理解为开卷考试，但“允许翻书”并不自动带来正确答案。系统可能翻错书、拿到旧版制度、漏掉例外条件，也可能找到原文后仍然解释错误。因此 RAG 的质量必须拆成数据、召回、排序、上下文、生成和引用逐层评估。

为什么 Agent 需要它

• 突破知识截止：私有文档、公司内部知识、实时数据，模型本来都不知道。
• 减少幻觉：有据可依，答案能溯源。
• 实现长期记忆：Agent 的长期记忆本质就是"检索历史记忆"，和 RAG 是同一套技术。
• 控制知识权限：在检索阶段按租户、角色、文档密级和有效时间限制证据范围。
• 支持复杂研究任务：把问题拆成多个子问题，迭代检索并验证证据缺口。
• 连接多种数据：统一检索文档、表格、数据库、代码、图片和实时来源。