RAG 是让 AI 回答更有实时依据的一套技术架构：先检索出和问题相关的外部资料，再让模型基于这些检索到的具体内容来生成回答，而不是完全依赖训练时学到的、可能已经过时的内部知识。
RAG解决的是什么问题
大语言模型训练完成之后，知识会停留在训练数据截止的那个时间点，没有 RAG 的话，模型没办法知道最新发生的事、也查不到具体某个网页写了什么。RAG 通过在生成回答之前先做一轮检索，把最新、最具体的外部资料喂给模型作为参考，弥补了模型内部知识可能过时、不够具体的问题，这也是为什么 AI 搜索工具能引用当天更新的网页内容。
有RAG不代表不会出错
RAG 只是解决了"AI 有没有机会看到外部最新资料"这个问题，不代表模型一定会准确理解、正确采用这些资料。模型仍然可能对检索到的内容理解有偏差，或者把检索到的资料和训练时学到的旧知识混在一起，生成出看似有依据、实际上不准确的内容。这也是为什么即使用了 RAG 架构，AI 幻觉依然可能发生，RAG 降低的是幻觉的概率，不是彻底杜绝。