第1章 RAG基础与原理

第 1 章 · RAG 基础与原理

章节摘要：RAG 不是凭空冒出来的架构，而是大语言模型暴露出"知识过时"与"幻觉"两个顽疾之后，工程界交出的答卷。本章从 2020 年 RAG 概念的诞生讲起，说清它的工作机理与核心价值，最后把它与微调、长上下文放在一起比较，帮你判断自己的场景该走哪条路线。读完本章，你应当能向别人解释 RAG 为什么有效，以及它什么时候无效。

学习目标

阅读完本章，你应当能够：

1. 用"开卷考试"的类比向非技术同事解释 RAG 的工作原理；
2. 复述 RAG 从早期信息检索到当前智能体化形态的四个演化阶段；
3. 列举 RAG 相比纯大模型的四项核心价值，以及它的三个固有短板；
4. 在 RAG、微调、长上下文三条路线中为自己的项目做出有依据的选型；
5. 识别哪些需求看似需要 RAG、实际应该用别的方案解决。

核心概念速览

先给一张本章的全景图。整章围绕一个中心问题展开：模型的参数里装不下的知识，如何在外面补？

一句话点题：RAG 把"知识"从模型参数里搬到了外部知识库里，于是更新知识不再需要重新训练模型。

子章节导航

1.1 什么是 RAG：从开卷考试说起

这一节讲定义、工作流程，以及最重要的——从 2020 年论文到今天的完整演化史。你会看到每个阶段解决了上一阶段留下的什么坑。

1.2 RAG 的核心价值与适用场景

准确性提升、答案可溯源、知识可更新、成本可控，这四项价值各有前提条件。本节同时盘点问答、创作、客服、金融分析等典型应用场景。

1.3 RAG、微调与长上下文：路线之争

三条路线经常被拿来互相替代，实际上各管一段。本节用对比表和决策流程帮你把边界划清楚。

子章节之间的逻辑关系

三节是一条"认知递进"的链：先知道它是什么，再知道它好在哪，最后才知道该不该用。

  是什么 ──→ 好在哪 ──→ 该不该用
  1.1 定义      1.2 价值      1.3 选型
  与演化        与场景        与边界
      │            │            │
      └── 概念地基 ─┴── 价值论证 ─┴── 决策落地
​

1.1 提供概念地基；1.2 在地基上论证价值，但价值清单里也埋着短板的伏笔；1.3 把这些短板放大成选型依据。如果你读 1.3 时对某些术语感到陌生，说明需要回看 1.1 的演化史——那些术语（多跳检索、混合检索）都是在演化中被逼出来的。

为方便随时定位，把本章三节的核心结论预置成一张速查表：

前置知识与后续延伸

• 前置：对大语言模型有基本认识，知道"提示词"和"嵌入向量"是什么；不熟悉也没关系，1.1 会补。
• 为后续铺垫：本章建立的"离线索引 + 在线查询"两阶段视角，是第 2 章拆解技术管线的骨架；1.3 的选型结论会在第 4 章的行业案例里反复得到印证。

另外一个阅读提示：本章三节的写法刻意做了区分——1.1 偏历史叙事，1.2 偏清单与场景盘点，1.3 偏对比与决策推演。这不是体例不统一，而是三类知识的天然形态差异：演化史适合讲故事，价值盘点适合列条目，路线选择适合摆证据。你可以按自己的习惯精读或跳读，但每节末尾的要点回顾建议都过一遍，它们是下一章的接头暗号。

对时间紧张的读者，还有一条三十分钟的快读路径：先看本表的速查结论，再读 1.1 的"演化时间线"一节（建立全景），最后读 1.3 的决策框架（带走一个能用的工具）。跳过的部分日后遇到具体问题时再回来查——这本教程的章节结构支持这种"按需回访"的读法，各节的自洽性是设计时就保证了的。

本章要点回顾

• 演化视角：RAG 经历了朴素检索拼接、语义向量检索、高级检索与生成优化、智能体化四个阶段，每一步都是对前一步瓶颈的回应。
• 两阶段结构：离线阶段做知识库的清洗、分块、向量化；在线阶段做查询编码、相似度检索、提示词拼接与生成。
• 价值有前提：四项核心价值（准确、可溯源、可更新、低成本）都建立在"检索能找到对的资料"这个假设上。
• 路线要分清：知识型需求用 RAG，行为型需求用微调，文档不长且预算充足时长上下文也是选项，三者可组合。

💡 读本章时不妨带着自己的项目想：我的场景里，"模型不知道"和"模型不会"各占几成？前者交给 RAG，后者另寻他法。

⚠️ 别跳过 1.3 直接照抄别人的 RAG 架构。很多团队上线半年后才发现，自己真正需要的其实是微调，或者干脆是更好的提示词。

下一章我们把镜头拉近，拆开 RAG 系统的三大零件——知识库、检索器、生成器。详见第 2 章。