检索增强生成
Retrieval-Augmented Generation (RAG)将外部知识库检索与 LLM 生成相结合，解决模型知识截止和幻觉问题，让回答有据可查。
# RAG
# 知识库
# 向量搜索
RAG（检索增强生成）
工作流程： 1. 将文档切块并转换为 Embedding 向量 2. 存入向量数据库（Pinecone、pgvector） 3. 用户提问时检索最相关的文档块 4. 将检索结果拼入 Prompt，让模型基于此回答
解决的核心问题： - 知识截止（模型不了解最新信息） - 幻觉（模型编造不存在的事实） - 私有数据（公司内部文档无法预训练）
关键挑战： 检索精度、chunk 大小、Embedding 质量