RAG 是什么？为什么它让 AI 不再「一本正经地胡说八道」
RAG（检索增强生成）是让 AI 基于你的真实资料回答的技术：先检索、再生成、带出处。三分钟看懂 RAG 的原理、优势和适用场景。
RAG（Retrieval-Augmented Generation，检索增强生成）是一种让 AI「开卷考试」的技术：你提问后，系统先从你的资料库里检索相关段落，再让大模型基于这些段落组织答案。和闭卷瞎编相比，RAG 的回答有事实依据、能标注出处。
为什么需要 RAG？因为大模型有两个先天缺陷：知识截止（训练数据有时间边界）和幻觉（不知道也会编）。直接问模型「我们公司的退货流程是什么」，它只能瞎编；走 RAG，它会先找到你员工手册里的那一条，再照着回答。
一个 RAG 系统的工作流程：1) 文档切分成小块；2) 嵌入模型把每块变成向量存库；3) 提问时把问题也变成向量，找出最相关的若干块；4) 把这些块连同问题一起交给大模型生成回答；5) 回答附上引用来源。
好的 RAG 不止向量检索。工程实践里关键词检索（BM25）和向量检索要融合——向量擅长语义相近，关键词擅长精确匹配（人名、编号、术语）。钤记采用关键词+向量 0.55/0.45 加权融合，并对经过人工核实的知识单元加权、对证伪内容直接剔除。
RAG 的适用场景非常广：企业内部知识库问答（SOP、手册）、法律/医疗文献检索、个人第二大脑、客服机器人。它的核心价值一句话：让 AI 的回答从「可能是编的」变成「可以点开出处验证的」。
常见问题
RAG 和微调（Fine-tuning）有什么区别？
微调是把知识「背进」模型，成本高、更新慢、还会记错；RAG 是让模型「查资料」，资料改了立刻生效，且每句回答能给出处。知识库场景优先选 RAG。
RAG 需要联网吗？
不一定。如果嵌入模型和大模型都是本地的（比如 Ollama 跑 Qwen），RAG 全流程可以断网运行——这正是本地知识库（如钤记）的方案。
RAG 的回答 100% 准确吗？
不是。检索可能找错段落，模型也可能误读。所以严肃场景要带验证机制：钤记会把 AI 生成的新知识标记为「待核实」，人工确认后才加权进入检索。
想试试钤记？
开源免费，本地优先，一行命令部署。