【人工智能】检索增强生成（Retrieval-Augmented Generation，简称RAG）核心逻辑是先检索、后生成，通过检索模块打破LLM的知识边界，再通过生成模块输出符合需求的自然语言内容

在自然语言处理（NLP）领域，以GPT-3、BERT为代表的大型语言模型（LLM）虽在文本生成、问答等任务中展现出强大能力，但受限于“模型幻觉”（生成内容偏离事实）、知识时效性不足、数据安全等固有问题，难以满足动态场景与专业领域的高精度需求。为此，检索增强生成（Retrieval-Augmented Generation，简称RAG） 技术应运而生，通过融合信息检索与文本生成的优势，为LLM赋能，成为解决上述痛点的核心方案。

一、RAG技术概述：定义与核心特征

1.1 核心定义

RAG是一种结合信息检索与文本生成的AI技术。RAG检索增强生成技术将检索系统与生成模型相结合，在生成内容时，通过检索外部知识库来获取相关信息，从而提高生成内容的准确性和时效性。

RAG通过检索补充知识，再生成答案，不依赖强化学习。

1.2 RAG核心目标

在LLM生成响应前，从外部知识库中检索与用户需求相关的权威信息，将这些信息作为上下文补充至模型输入，最终提升输出内容的准确性、相关性与时效性。

1.3 关键技术特征

• 非结构化数据处理：采用批量编程模型，读取文档中的非结构化数据（如文本、文档片段），经转换后存入向量数据库，形成可检索的知识储备。
• 语义化文本分割：将原始文档分割为小块时，需严格保留内容的语义边界（