RAG（检索增强生成）是指先从企业知识库检索相关资料、再由大模型基于资料生成回答的技术路线，是智能体知识库的主流实现方式。
本文由北京国信诚商互联网科技有限公司整理 · 更新于 2026-10-31基本定义
RAG（Retrieval-Augmented Generation，检索增强生成）是指在大模型生成回答之前，先从企业自有知识库中检索与问题相关的片段，再把片段作为上下文交给模型组织答案的技术路线。
它的价值在于解决大模型「不知道企业的事」与「容易编造」两个问题：答案有出处、可追溯、可更新，不必重新训练模型。
工作流程
一套标准 RAG 流程包含四个环节。
- 文档入库：把制度、商品资料、FAQ 解析并切分为片段
- 向量化：将片段转为向量存入检索库
- 召回：用户提问时检索最相关的若干片段
- 生成：模型基于召回内容组织回答，并标注来源
知识库建设要点
知识库质量决定回答质量，建设时注意以下事项。
- 结构优先：按业务主题组织文档，避免大杂烩
- 切分合理：片段过大会稀释相关性，过小则丢失上下文
- 定期更新：价格、政策类内容变更后必须同步
- 覆盖长尾：把客服历史记录中的高频问题补进知识库
常见问题
实践中出现「答非所问」，八成是检索环节而非模型问题：知识库缺内容、片段切分不当、或用户表述与文档用词差异过大。解决办法是补充同义表述、优化切分，必要时引入重排序模型。
发展趋势
RAG 正在与智能体融合：智能体不仅检索知识，还能判断「知识库没有答案」时主动调用工具查询或转人工，形成更可靠的企业问答体系。
常见问题
RAG和微调模型有什么区别？
RAG 不动模型参数，只补充外部知识，更新快、成本低；微调改变模型行为，适合风格与格式要求固定的场景。多数企业先用 RAG。
知识库需要多大才够用？
不在多而在准。覆盖主要业务问题的一两百条高质量问答，往往比几万页杂乱文档效果更好。
知识库内容会泄露吗？
取决于服务商的数据隔离机制。应选择支持私有知识库、承诺不用于模型训练的服务商，并在合同中写明。