一、RAG概述：什么是RAG、RAG与微调的区别、RAG的典型应用场景、课程目标与前置知识

1.1 什么是RAG？—— 说白了就是给大模型配个外挂知识库

RAG，全称 Retrieval-Augmented Generation，翻译过来就是「检索增强生成」。这个名字挺直白的——先检索，再生成。

我刚开始接触这个概念时，脑子里冒出的第一个问题是：大模型不是已经学了很多知识吗？为什么还要检索？

嗯，这个问题问得好。你想想看，大模型的知识是「封存」在参数里的，训练完就固定了。它不知道今天发生了什么新闻，也不知道你公司内部的业务数据长什么样。更麻烦的是，它还会「一本正经地胡说八道」——也就是我们常说的幻觉问题。

RAG 的思路很简单：模型回答问题之前，先去外部知识库（比如向量数据库、搜索引擎）里找相关文档，然后把找到的内容作为上下文，再让模型生成答案。

举个例子：

• 你问「我们公司2024年Q3的营收是多少？」
• 纯大模型：瞎编一个数字（因为它根本不知道）
• RAG方案：先去公司数据库里检索到Q3财报，找到营收数据，再让模型基于这个数据生成回答

我在项目中遇到过最典型的场景是客服系统。客户问「我的订单为什么还没发货？」，纯大模型会回答「请耐心等待」，但RAG方案会先去查订单系统，找到物流状态，然后给出具体原因和预计送达时间。效果天差地别。

1.2 RAG与微调的区别——两条完全不同的路

很多人会问：「我想让模型懂我的业务，到底是做RAG还是做微调？」

这个问题我几乎每次分享都会被问到。我的回答是：先搞清楚你要解决什么问题。

对比维度	RAG	微调（Fine-tuning）
本质	给模型提供外部知识	修改模型内部参数
知识更新	实时更新，改数据库就行	需要重新训练，成本高
幻觉控制	强（答案有据可查）	弱（模型可能自由发挥）
训练成本	几乎为零	需要GPU资源和时间
适用场景	知识问答、文档检索、实时信息	风格模仿、指令遵循、特定任务
数据要求	不需要标注数据	需要高质量标注数据

说白了，RAG 是让模型「查资料」，微调是让模型「变聪明」。两者不是互斥的，我见过很多项目是先用RAG快速上线，再逐步用微调优化模型本身的回答质量。

1.3 RAG的典型应用场景——我见过的真实案例

RAG 的应用场景其实比大多数人想象的要广。我挑几个典型的说说：

场景一：企业知识库问答

这是最常见的。公司内部有海量的文档、制度、流程，员工想查个东西翻半天。用RAG搭一个内部问答系统，问「年假怎么休？」直接给出制度原文和计算方式。我曾经帮一家制造业公司做过，上线后IT部门的咨询量直接降了60%。

场景二：智能客服

电商、金融、保险行业用得最多。客户问「我的保单什么时候生效？」系统先去保单数据库检索，再结合产品条款生成回答。比传统的关键词匹配灵活太多了。

场景三：法律/医疗辅助

这两个领域对准确性要求极高。律师问「这个案例适用哪条法规？」系统检索相关法条和判例，然后给出分析。注意，这里RAG只是辅助，最终决策还是人来做。

场景四：代码辅助

嗯，这个可能有点意外。但确实有团队用RAG做内部代码库的问答。比如问「我们项目里用户登录的逻辑在哪？」系统检索代码仓库，找到相关函数和注释。比翻GitHub快多了。

1.4 课程目标与前置知识——这门课能带给你什么

这门课的目标很明确：让你从零搭建一个生产级的RAG系统。

不是那种跑个demo就完事的教程，而是真正能上线的方案。我们会覆盖：

• 文档解析与分块——PDF、Word、网页怎么处理？分块策略怎么选？
• 向量化与检索——Embedding模型怎么选？向量数据库用哪个？
• 检索策略优化——HyDE、RAPTOR、Self-RAG这些高级玩法怎么用？
• 生成与评估——怎么让模型生成更准确？怎么评估RAG的效果？
• 工程化落地——性能优化、监控、迭代，一个都不能少

前置知识方面，你需要：

1. Python基础——能写简单的脚本，懂基本的API调用
2. 了解大模型基本概念——知道什么是LLM、什么是Prompt
3. 一点点数据库知识——知道什么是索引、什么是查询就够了

不需要你懂深度学习原理，也不需要你会训练模型。这门课更偏向工程实践，我会把每个环节的「坑」和「技巧」都讲清楚。

好，第一章就到这里。下一章我们直接动手——从文档解析和分块开始，这是RAG系统的第一步，也是最容易被忽视的一步。到时候我会分享一个我踩过的坑，保证让你印象深刻。