什么是RAG（检索增强生成）？
RAG，全称检索增强生成，是一种 AI 模式：模型在作答前先从源文档中检索出相关段落，然后基于这些段落生成答案，把回答锚定在原文里。
普通大模型只会按训练数据回答，而训练数据在训练那一刻就被冻结了，且容易产生幻觉。RAG 通过加一个检索步骤来纠正这一点：用户提问时，系统先在语料库（一本书、一份 PDF、一份知识库）中找出最相关的段落，把这些段落作为上下文交给大模型，然后才让它回答。
基于摘要和可用来源上下文对话
RAG 的质量取决于三件事：原文如何切块（按段、按节还是按句）、切块如何嵌入以做相似度检索、以及如何提示模型使用检索到的上下文。这三个环节只要有一处薄弱，就会得到形式上有出处、实际却错误的答案。
基于摘要和可用来源上下文对话
了解更多关于 Summio常见问题
RAG 和微调有什么区别？
微调是把新知识烙进模型权重，慢、贵，更新只能靠重新训练。RAG 让模型保持不动，按每次查询变更检索到的上下文：更新知识只是重建文档索引，根本不用重新训练模型。
RAG 能根除幻觉吗？
检索可以让回答更贴近来源，但无法消除幻觉。模型仍可能误读或忽略段落，或错误组合原本正确的细节；重要内容请与原文核对。
RAG 用在什么场景？
用于 AI 搜索引擎（Perplexity、ChatGPT 搜索、带联网的 Claude）、企业内部文档对话、帮助中心之上的客服机器人，以及像 Summio 这样的阅读类应用——任何答案必须可以追溯到具体来源的地方。