TRAE-AI编程
RAG（Retrieval-Augmented Generation，即检索增强生成）让大模型的答案从"凭记忆猜"变成"看着你的资料答"。它先把你的问题拿去检索相关资料，再把检索内容连同问题一起喂给模型。你问"公司报销流程是什么"，模型若没见过制度文档就会瞎编——这正是知识截止和没有私有数据的短板。RAG 专门补这个短板，让回答建立在有出处的事实上，而不是模型的临场发挥。想让 AI 真正"懂你家的资料"，RAG 是当前最务实的入口。
先看结论
| 做法 | 优点 | 缺点 | 适合场景 |
|---|---|---|---|
| 直接问模型 | 零配置、随问随答 | 答非所问、易幻觉、无私有数据 | 通用常识类问题 |
| 微调模型 | 风格稳定、可内化知识 | 成本高、数据更新要重训 | 大规模、长期固定的语料 |
| RAG 检索增强 | 数据可随时更新、有出处、成本低 | 检索质量决定上限 | 私有文档、最新资料问答 |
如果你的资料会频繁变动，或者想让答案"有据可查"，RAG 通常是性价比最高的方案。
它解决了什么问题
大模型有两个绕不开的限制。一是知识截止：训练数据有时间边界，之后的事它不知道。二是没有私有数据：你公司的制度、你个人的笔记、内部知识库，模型都没见过。过去常见的"笨办法"是把整份文档贴进对话，但文档一长就超上下文，而且每次都要手动贴，既麻烦又容易泄密。想了解主流大模型怎么用，可看 AI 编程技能教程。
RAG 把"找资料"和"写答案"拆成两步：先根据用户问题去资料库里检索出最相关的片段，再让模型只基于这些片段作答。模型不再靠记忆硬编，而是看着检索来的真实内容组织语言，幻觉率显著下降，答案也天然带有可追溯的来源。
核心概念与三个角色
一套最小可用的 RAG 通常由这几部分构成：
- 向量库（Vector Store）：存放资料"语义指纹"的数据库。普通搜索靠关键词匹配，向量库靠"意思相近"。它存的是每段文本的嵌入向量。
- 嵌入模型（Embedding Model）：把一段文字变成一串数字（向量）的模型。意思越接近的文字，向量在空间里越靠近。
- 检索器（Retriever）：用户提问时，把问题也变成向量，去向量库里找最相近的几段资料。
- 生成器（Generator）：通常是大模型，拿到"问题 + 检索到的资料"后生成最终回答。
这四者串起来，就是"先检索、后生成"。其中嵌入模型和向量库决定了"能不能找到对的资料"，是 RAG 效果的天花板。
一次问答是怎么发生的
把上面四部分串起来，一次"用公司制度问答"的过程是这样：
- 建库（离线）：把制度文档切成分段，每段用嵌入模型转成向量，存进向量库。这一步只需做一次，资料更新时增量补充即可。
- 提问（在线）：用户提问，系统把问题也转成向量。
- 检索：去向量库里找与问题最相似的几段资料（Top-K），比如最相关的 3 段。
- 拼接：把问题和这 3 段资料拼成一个带上下文的提示词。
- 生成：模型基于这段真实资料作答，并尽量标注来源段落。
注意第 1 步的"切分"很关键：切太粗会带入无关内容、浪费上下文；切太细则检索容易漏。实务中常按语义或固定长度切，再带一点重叠，这直接影响 RAG 的检索质量。
怎么开始用
对个人或小团队，最快的 RAG 入门是先用现成的向量库把文档建成索引，再用一个支持 RAG 的客户端提问。以本地起一个向量库的思路为例（环境准备可参考 w3cschool 教程），核心步骤是：
# 1. 安装一个轻量向量库（示例：chromadb）
pip install chromadb
# 2. 用嵌入模型把文档分段写入
# 3. 提问时先检索 Top-K 再交给模型落地 RAG 时记住两点：一是资料要切得干净，去掉页眉页脚等噪声；二是检索到的内容要带原文出处，方便你回查。不要为了省事把整本手册一次性塞进提示词，那样既贵又容易让模型抓不住重点。
配置好向量库后，先运行一次建库命令并跑检索验证：检查返回的 Top-K 是否贴合问题，预期能拿到最相关片段；若结果失败或偏离，调整切分长度再修复重试。（以下流程依据 RAG 主流实现与官方文档，按你的数据规模调整。）
总结
RAG 的本质是"给大模型外接一个可随时更新的资料库"。它不改变模型本身，而是通过在回答前先检索相关事实，让答案建立在你提供的真实资料之上。相比微调，它成本低、数据可实时更新、答案可追溯，是私有知识问答最务实的入口。
常见问题
Q：RAG 和微调该怎么选？
资料常变、要可追溯、预算有限，选 RAG；语料固定、追求稳定风格且量大，再考虑微调。很多生产系统两者并用。
Q：为什么有时候 RAG 也答错？
多半是检索没找对资料：切分太粗、嵌入模型不够好、或 Top-K 太小。先优化检索质量，再怀疑生成。
Q：我的文档安全吗？
取决于向量库部署在哪。本地或内网部署，数据不出域；用第三方托管服务则要确认其隐私条款。
Q：资料更新了要重来吗？
不用全量重来。多数向量库支持增量写入，只把新增或变更的段落补进去即可。
延伸学习
- DeepSeek 从入门到上手 — 想先搞懂主流大模型怎么用，这篇适合打底。
- TRAE AI 实战课 — 想用 AI 真做个项目，这门实战课合适。
- DeepSeek 中文教程 — 顺手补一下大模型使用基础。
