---
title: "什么是 RAG？将外部依据连接到生成式回答的架构"
slug: "rag-retrieval-augmented-generation"
language: "zh-cn"
tags: ["rag","sag 기술","아키텍처","검색 ai 연구"]
created: "2026-09-17T00:00:00.000Z"
published: "2026-10-08T09:58:41.038Z"
updated: "2026-10-08T09:58:41.038Z"
sample: false
---

# 什么是 RAG？将外部依据连接到生成式回答的架构

## 一句话定义

**RAG** 是一种架构：先检索与问题相关的外部文档，再将其作为上下文提供给生成模型。

> 核心答案：仅依靠模型参数，难以稳定地提供最新的内部信息和来源。将检索步骤分离后，可以追踪回答依据了哪些文档。

## 为什么需要这项技术？

仅依靠模型参数，难以稳定地提供最新的内部信息和来源。将检索步骤分离后，可以追踪回答依据了哪些文档。

## 工作原理

将问题转换为检索表示，获取相关文档，再调整文档排名，并将其放入有限的上下文中。评估生成结果时，也要一并检查所使用的文档。

设计时不能只关注准确率。还必须同时定义延迟、成本、数据边界、更新周期和故障时的行为，才能在生产环境中获得可复现的结果。对于自动化无法确定的值，安全的做法是保留为“未测量”或“需要审核”状态，而不是将其改为 0 或成功。

## 与 SAG 技术的联系

SAG 具备页面采集、规范化、规则检查，以及受依据约束的报告合成流程。配置 LLM 提供商后，会验证包含依据 ID 的响应。这应与采用 DPR 和向量索引的论文 RAG 实现区分开来；相应的检索层需要单独设计和评估。

## 实践检查清单

- 分别衡量检索失败和生成失败
- 保留依据文档的版本和哈希值
- 检查回答中的陈述是否得到依据支持
- 将失败、空结果和权限错误的状态与成功区分开
- 在相同条件下重新验证变更前后的结果

## 研究与官方文档

- [RAG 原始论文](https://arxiv.org/abs/2005.11401)

参考文档为原理和建议提供依据，但不保证搜索曝光、AI 提及、排名或收入。实际应用效果应通过服务数据和相同条件下的观测加以验证。

## 选择标准与具体应用示例

当用户询问某款产品的维护周期时，应优先查找该产品及其版本对应的维护文档。回答中包含某份文档，并不等于回答中的所有主张都得到了该文档的支持。必须分别检查检索相关性和逐句依据匹配情况。

## SAG 中的应用范围

本文讨论搜索 AI 的研究原理和扩展设计。可以结合 SAG 的页面采集、依据记录和报告验证结构来阅读，但不能据此认为论文中的搜索算法都已部署到生产流水线中。是否应用，应通过检索模块、评估数据和执行记录加以确认。


## 如何继续了解这项技术

比较 RAG、GraphRAG 和 Self-RAG 论文及其适用条件。

- [搜索 AI 的扩展原理](/ko/blog?tag=%EA%B2%80%EC%83%89%20AI%20%EC%97%B0%EA%B5%AC)
- [功能说明 FAQ](/zh-cn/faq)