RAG 是什么？
RAG（Retrieval-Augmented Generation，检索增强生成） 是一种让大模型先查资料、再回答的技术架构。
纯大模型的知识来自训练数据：有截止时间、不知道你私有的部署文档、更不可能记得你上周改的 .env 配置。
把整库文档塞进一次 Prompt？塞不下、又贵、还容易「记混」。
RAG 的思路像开卷考试：不允许背整本书，但允许你快速翻到相关那几页，再根据这几页写答案。
核心流程（四步）
| 步骤 | 做什么 | 比喻 |
|---|---|---|
| 加载 | 把 PDF、Markdown 等导入 | 把书搬进图书馆 |
| 切块 | 切成合适大小的段落 | 拆成一页页卡片 |
| 向量化 | 每段变成「语义坐标」 | 按主题给卡片编号 |
| 检索 + 生成 | 问句找最相关几段，交给模型写答案 | 带小抄答题 |
用户问「国内服务器怎么更新 KunSpace？」——系统先在 docs/国内部署指南.md 里搜到 git pull 和 update-server.sh 相关段落，再让模型只根据这些段落组织步骤，并 ideally 附上出处。
举例：为什么比直接问 ChatGPT 好？
| 直接问通用 ChatGPT | RAG + 你的文档 | |
|---|---|---|
| 知识来源 | 训练数据，可能过时 | 你的 Markdown / PDF |
| 胡编风险 | 较高 | 较低（有原文可依） |
| 更新 | 等模型换代 | 文档改完重新入库即可 |
| 典型用途 | 通用知识 | 产品手册、内部 Wiki、个人笔记 |
KunSpace 的部署指南、博客、开发文档，都适合做成 RAG 知识库——访客或你自己问「怎么改 about 页」，答的是你仓库里真实存在的内容。
「向量检索」一句话
传统搜索「苹果」会混出水果和手机；向量检索按语义相似找段落——搜「乔布斯创办的公司」，更容易命中 Apple 相关文字，即使用词不完全一样。
这是 RAG 能「找对页」的关键，不必深挖数学，知道「按意思找，不只按关键词」就够。
总结
RAG = 检索（找资料）+ 生成（写答案）。
它解决的是大模型「不知道你的私有、最新、专业资料」这一根本问题。后面做 Agent 时，「查知识库」往往就是 Agent 的一项重要 Skill——RAG 管「知道什么」，Agent 管「还要不要动手做别的」。
评论
还没有评论，来做第一个吧
有想法？直接在这说，不用跑留言板