大厂RAG面试题：24个RAG八股文。偷偷背下来，毒打面试官 ！

本文 的 原文 地址

原始的内容，请参考 本文 的 原文 地址

本文 的 原文 地址

本文作者：

• 第一作者 老架构师 肖恩（肖恩 是尼恩团队 高级架构师，负责写此文的第一稿，初稿 ）
• 第二作者 老架构师 尼恩 （45岁老架构师， 负责 提升此文的 技术高度，让大家有一种 俯视 技术、俯瞰技术、 技术自由 的感觉）

1、什么是检索增强生成（RAG）？

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合查找信息和生成答案能力的 AI 技术。

它由 Facebook 在 2020 年提出，主要用于问答、聊天机器人等需要大量知识的任务。

RAG 是一种结合“查资料”和“写答案”的技术。

它先从外部资料中找到相关信息，再用这些信息来生成更准确的回答。常用于问答系统、聊天机器人、内容创作等场景。

（一）RAG 的工作原理

核心思路是：

先查资料，再写答案

流程如下：

(1) 查找相关资料（检索）

• 用户提问后，系统会用一个“查资料工具”在知识库中找相关内容。
• 这个工具可以基于关键词、语义或向量匹配等方式搜索。

(2) 根据资料写答案（生成）

• 把用户的问题 + 查到的资料一起交给一个“写答案模型”。
• 模型根据这些信息写出最终回答。

（二）RAG 的优点

• ✅ 回答更真实，减少胡编乱造
• ✅ 知识可以随时更新，不用重新训练模型
• ✅ 回答有依据，更容易解释来源
• ✅ 特别适合专业领域，比如医疗、法律、教育等

（三）RAG 的常见用途

场景	举例
客服机器人	自动回答产品问题
医疗助手	结合医学资料提供建议
法律咨询	根据法规生成意见
教育辅导	解读教材内容
企业内部助手	快速查找公司文档并总结

（四）RAG 的流程图

（五）RAG 的不同版本

• 基础版 RAG：用密集向量检索 + 序列生成模型（如 T5）
• 混合 RAG：结合关键词检索（如 BM25）和向量检索（如 DPR）
• 进阶版 RAG：支持多轮检索、自我反思机制，提升准确性

（六）总结

RAG = 查资料 + 写答案

它让 AI 在回答问题时更有依据，特别适合需要准确性和时效性的任务。随着大模型的发展，RAG 成为了构建实用 AI 工具的重要技术之一。

2、你能解释RAG与传统语言模型之间的基本区别吗？

RAG（检索增强生成）和传统语言模型的最大不同，在于它们获取知识、更新知识以及使用知识的方式不一样。主要有三点：

• 知识从哪来
• 怎么更新知识
• 适合做什么事

（一）什么是传统语言模型？

像 GPT-2、GPT-3 这类模型是“纯生成式”的。

它们通过大量文本训练，把知识记在脑子里。你问问题时，它就靠自己记住的内容回答。

特点：

• 所有知识都存在模型里，不能查外部资料
• 模型训练完后，知识就不能变了
• 如果没学过某个知识点，可能会乱说（幻觉）

（二）什么是 RAG 模型？

RAG 是“先查资料，再回答”的模型。它有两个步骤：

(1) 查资料：根据你的问题，去数据库或网页中找相关信息

(2) 生成答案：结合查到的资料，生成一个准确的回答

特点：

• 可以查外部资料，比如维基百科、企业内部文档
• 想更新知识，只要改资料库就行，不用重新训练模型
• 回答基于真实信息，不容易出错

（三）主要区别总结

方面	传统模型	RAG 模型
知识来源	全靠模型自己学	查外部资料 + 模型生成
更新知识	要重新训练模型	只需更新资料库
准确性	容易编造或过时	更准确，因为查最新资料
灵活性	知识固定	支持多种资料源
适用场景	日常问答、写故事等	专业领域、客服、企业查询

（四）举个例子

比如你问：“2024年诺贝尔物理学奖是谁？”

• 传统模型：如果它没学过2024年的数据，可能瞎猜或说不知道。
• RAG模型：会先去网上查“2024诺贝尔物理奖”，然后根据查到的结果回答。

总结一句话：

传统模型靠“脑中记忆”回答问题，RAG模型则是先查资料再回答，就像一个会查资料的助手。

🧠 核心流程图

3、RAG在人工智能中有哪些常见应用？

RAG 是一种结合“查资料”和“写内容”的技术。

它先从大量资料中找到相关信息，再根据这些信息生成回答或文本。这种技术在很多领域都有实际用途。

（1）问答系统

• 用途：用户提问题，系统自动查找答案。
• 例子：
  • 智能客服
  • 学生作业答疑
  • 医疗健康咨询

（2）聊天机器人

• 用途：让聊天机器人回答时有依据，不乱说。
• 优点：
  • 回答更真实可靠
  • 知识可以随时更新，不用重新训练模型
• 例子：
  • 公司客服机器人
  • 虚拟导购助手

（3）写作辅助工具

• 用途：帮人快速找资料，然后写文章、报告、摘要等。
• 例子：
  • 新闻稿写作助手
  • 论文写作参考
  • 商业分析报告生成

（4）法律与合规

• 用途：帮助查找法律条文、案例，生成合法建议。
• 优点：
  • 查法条快又准
  • 写文书更规范
• 例子：
  • 法律文件起草
  • 合规审查工具

（5）医疗与生命科学

• 用途：医生看病、开药、写病历时参考最新医学知识。
• 优点：
  • 减少误诊
  • 提高效率
• 例子：
  • 医学问答助手
  • 病历自动生成工具

（6）金融与投资

• 用途：根据市场数据、财报、新闻生成分析和预测。
• 例子：
  • 自动生成财报摘要
  • 投资建议推荐
  • 风险预警系统

（7）教育与学习

• 用途：根据学生情况提供个性化学习内容和反馈。
• 例子：
  • 智能辅导老师
  • 自适应学习平台
  • 自动批改作业并给建议

（8）多语言翻译

• 用途：翻译时结合行业术语，提高准确性。
• 例子：
  • 行业专用词翻译
  • 多语言文档本地化处理

总结图示（简化版）

应用领域	主要用途
问答系统	快速答题、查知识
对话系统	客服、助理
内容创作	写文章、出报告
法律行业	找法规、审合同
医疗健康	看病建议、写病历
金融分析	市场分析、风险控制
教育培训	辅导学习、个性教学
多语言处理	精准翻译、术语匹配

核心流程图

这个流程就是 RAG 的核心逻辑：先查资料，再生成内容。

如需了解某个具体领域的细节，也可以继续深入探讨。

4、RAG如何提高AI模型响应的准确性？

RAG（检索增强生成）是一种把“查资料”和“写答案”结合起来的技术。它能让AI在回答问题时，不只是靠自己记住的知识，还能去外面“查最新资料”，从而提高回答的准确性、相关性和时效性。

下面是 RAG如何让AI回答更准 的几个关键点：

（1）查外部资料，减少瞎编

• AI模型的知识是固定的，不能随时更新。
• RAG会先从外部数据库中找到相关信息，再让AI根据这些新资料来生成答案。
• 这样可以避免AI因为知识过时或不全而乱说。

✅ 示例：
问“2024年诺贝尔物理学奖得主是谁？”
传统AI可能答错，RAG会先查最新资料，再给出正确答案。

（2）动态找最相关的资料，回答更有针对性

• RAG会根据用户的问题，在大量文档中找出最相关的部分。
• AI基于这些资料来回答，而不是只靠自己记的那点东西。
• 回答更贴切，不会泛泛而谈。

✅ 示例：
问“特斯拉最近自动驾驶有什么新进展？”
RAG会查官网、新闻稿等，然后生成具体回答。

（3）可以定制专业领域的知识库

• 在医疗、法律、金融等领域，通用AI的知识可能不够专业。
• RAG可以接入特定领域的资料库（比如医学论文、法规文件），让AI也能处理专业问题。

✅ 示例：
医生问某种药的副作用，RAG可以从药品说明书中提取信息，给出可靠建议。

（4）答案有出处，更可信

• RAG生成的答案通常会带上来源链接或文档引用。
• 用户可以看到依据，判断是否可信。
• 比起传统AI“黑箱”式的回答，这种做法更透明。

✅ 示例：

回答中注明“根据世界卫生组织2024年的报告……”

（5）知识库可更新，内容不过时

• 外部资料可以定期更新，确保AI用的是最新的信息。
• 而普通AI一旦训练完成，知识就固定了。

总结：RAG提升回答质量的核心方法

方法	效果
引入外部资料	减少瞎编，事实更准
找最相关的内容	回答更贴题
接专业资料库	应对专业问题
提供来源引用	更透明可信
定期更新资料	内容紧跟时代

5、RAG中检索模型的重要性是什么？

在 RAG（Retrieval-Augmented Generation，检索增强生成）系统中，检索模型就像一个“资料查找员”，它的任务是从外部知识库中快速找到和用户问题相关的信息，供后面的生成模型使用。以下是它为什么这么重要的几个原因：

（1）找对信息，才能答对问题

• RAG 是把语言模型和外部知识结合起来。
• 检索模型负责从大量文档中找出最相关的几段话，确保回答有依据、不落伍。

✅ 举例：如果用户问“2024年诺贝尔物理学奖得主是谁？”，模型本身可能不知道，但检索模型能从最新资料里找到答案。

（2）让回答更靠谱，减少胡编乱造

• 语言模型有时会“瞎说”，而检索模型引入真实来源的内容，可以避免这种错误。
• 所有回答都可以查到出处，让人信得过。

（3）不用把所有知识都装进模型

• 不需要把所有知识都训练进模型里，而是用的时候临时查。
• 这样模型更轻便，更新知识也更容易（只要换文档库就行）。

（4）知识可以随时更新

• 外部文档库是可以随时修改的，所以新消息也能马上用上。
• 而传统模型的知识是固定的，只能重新训练才能更新。

（5）检索质量决定最终效果

• 如果检索模型没找对内容，生成模型也很难给出好答案。
• 所以，检索模型的好坏直接影响整个系统的水平。

小结：

方面	检索模型的作用
知识来源	提供外部文档支持
准确性	提高回答的可靠性
可解释性	支持引用来源
更新能力	实现知识动态更新
性能影响	决定整体效果上限

常见的检索方法：

• BM25（传统关键词匹配）
• Dense Retrieval（如 DPR, ColBERT，基于语义向量）
• 混合检索（结合关键词和语义）

如果你想知道怎么评估或优化检索模型的效果，也可以继续问我。

核心流程图

下面是一个简单的 图，展示 RAG 中检索模型的核心流程：

6、RAG系统通常使用哪些类型的数据源？

RAG（检索增强生成）是一种让AI回答更准确的方法。它不是只靠模型自己“记住”的知识，而是通过查找外部资料来补充信息。为了做到这一点，RAG可以使用多种不同类型的数据来源。下面是一些常见的类型：

（1）结构化数据

这类数据格式清晰，像表格一样有明确的列和行。

• 数据库（如MySQL、PostgreSQL）
• 数据仓库（如Snowflake）
• 知识图谱（如Wikidata）

比如：客户名单、产品库存表、订单记录等。

（2）非结构化数据

没有固定格式，比如文章、邮件、网页内容，需要处理后才能用。

• PDF、Word文档
• 网页内容（爬虫抓取）
• 邮件、聊天记录
• 社交媒体帖子

比如：新闻稿、用户评论、公司白皮书等。

（3）半结构化数据

介于上面两者之间，有标签或分隔符，但不完全是表格。

• JSON 文件
• XML 文档
• CSV 文件

比如：API返回的数据、日志文件、配置文件等。

（4）多媒体数据（需多模态支持）

包括图片、视频、音频等内容，通常要配合文字一起使用。

• 图片+说明文字
• 视频字幕
• 音频转成的文字

比如：图表说明、教学视频中的讲解词等。

（5）实时数据

用来获取最新信息，提升回答的时效性。

• 天气、股票、新闻API
• 实时消息流（如Kafka）
• 实时数据库（如Firebase）

比如：交通状况、股市行情等。

（6）企业内部数据

公司自己维护的知识库或文档系统。

• 内部知识平台（如Confluence）
• 常见问题库（FAQ）
• 公司政策手册、培训材料

比如：员工手册、客户服务记录等。

（7）公开数据

来自公共领域的权威资源，适合补充通用知识。

• 维基百科
• 学术论文网站（如arXiv）
• 政府开放数据、开源项目文档

比如：法律条文、科学事实、历史事件等。

总结：常见数据源一览表

数据类型	示例来源	特点
结构化	数据库、知识图谱	易查询、结构清晰
非结构化	PDF、网页、邮件	内容丰富，需预处理
半结构化	JSON、CSV	兼具结构与灵活性
多媒体	图像描述、视频字幕	需要多模态处理
实时数据	API、流数据	提供最新信息
企业私有数据	内部知识库、FAQ	业务相关性强
开放数据	维基百科、学术论文	权威性强、覆盖广

核心流程图

7、RAG如何促进对话AI领域的发展？

RAG（检索增强生成）是一种结合“查资料”和“写答案”的新技术，它让聊天机器人变得更聪明、更实用。它不是靠自己“记住”所有知识，而是在回答问题前先去“查资料”，再根据查到的内容来组织语言。这种方式带来了不少好处：

（1）回答更准确、更新更快

• 怎么做：先从外部数据库或网页中找最新信息，再用这些信息生成答案。
• 好处：
  • 不依赖训练时学到的老知识，能用最新的数据。
  • 比如维基百科更新了，它也能马上知道。

（2）懂得更多、看得更深

• 怎么做：借助专业资料库，比如医学书、法律条文等。
• 好处：
  • 能回答专业问题，比如看病、理财、打官司。
  • 多轮对话也不容易跑题。

（3）更容易看懂它是怎么想的

• 怎么做：它的答案都有出处，可以告诉你“这个信息来自哪里”。
• 好处：
  • 用户更信任它的回答。
  • 工程师也更容易找出错误并改进。

（4）更懂你想要什么

• 怎么做：在查资料时会考虑你的历史记录、偏好或当前上下文。
• 好处：
  • 回答更贴合你的需求。
  • 比如客服系统可以根据你之前的问题推荐解决方案。

（5）维护起来更轻松

• 怎么做：把知识存在外面，而不是全装进模型里。
• 好处：
  • 想更新知识只需要改资料库，不用重新训练整个模型。
  • 长期使用成本更低。

（6）实际应用很广泛

• 例子：
  • 客服机器人：快速查找产品说明或常见问题。
  • 教育辅导：根据教材内容解答学生疑问。
  • 医疗助手：参考医学指南给出建议。
  • 公司内部助手：帮你查公司制度或项目文档。

总结

RAG 技术让聊天机器人不再只靠“死记硬背”，而是像人一样先查资料再作答。这让它更聪明、更灵活、更容易控制。

随着技术的发展，RAG 将会在各种智能对话场景中越来越重要。

8、RAG中的检索组件扮演什么角色？

在 RAG（检索增强生成）系统中，检索组件就像一个快速查找资料的小助手。

它负责从外部的知识库中找到和用户问题相关的内容，然后把这些信息交给后面的“回答生成器”来使用。

（一）它的主要作用：

(1) 快速定位有用的信息

• 用户问完问题后，它会去一个提前准备好的知识库（比如维基百科、公司文档等）里找答案。
• 找到的内容会作为背景材料，供后面生成答案时参考。

(2) 让回答更准确、更新更快

• 大模型本身知道的东西是固定的，但通过检索组件可以加入最新的信息。
• 比如你想知道“今年诺贝尔物理奖是谁”，模型可能不知道，但检索组件能从最新资料里找到。

(3) 减少胡编乱造

• 大模型有时会“瞎说”。有了真实来源的资料，就能让它说话更有依据，少出错。

（二）它是怎么工作的？

(1) 用户提出问题（例如：“量子计算是什么？”）

(2) 检索组件把问题转成计算机能理解的形式（通常是向量）

(3) 在知识库里找最相关的几段话或文档

• 常用工具：FAISS、倒排索引、ANN近似匹配

(4) 返回几个最相关的资料片段

(5) 把这些资料和问题一起交给生成组件

(6) 生成组件根据这些信息组织出最终的回答

（三）常用的几种检索方法

方法名称	简单说明
BM25	老牌关键词搜索方法，适合关键词稀疏的情况
稠密检索	用深度学习模型把文字变成向量来找相似内容，比如DPR、ColBERT
混合检索	把上面两种方法结合起来，效果更好

9、RAG如何处理偏见和错误信息？

RAG（检索增强生成）是一种结合“查资料”和“写答案”的技术。它先从外部知识库中查找相关信息，再根据这些信息生成回答。

但问题是：如果查到的内容本身有问题（比如有偏见或错误），那最终的回答也可能出错。

我们来看看它是怎么出问题的，以及有哪些办法可以减少这些问题。

（一）为什么RAG会引入偏见或错误？

(1) 查资料阶段的问题：

• 如果查到的资料本身就带有偏见或错误，那结果自然也会受影响。
• 查找时可能更偏向某些网站（比如权威网站），导致信息不全面。

(2) 写答案阶段的问题：

• 模型可能会直接照搬查到的内容，不管是不是对的。
• 它很难判断哪些信息是可信的，哪些是误导性的。

（二）解决偏见和错误的方法

（1）在“查资料”阶段优化：

• 多来源查找：

不只查一个地方，而是多个地方都看看，避免被单一观点带偏。

• 评估可信度：

给每个资料打分，优先选质量高、权威性强的内容。

• 去偏算法：

  调整搜索结果，不让某一种观点占太多比例。

（2）在“写答案”阶段优化：

• 事实核查：

写答案前先检查一下查到的信息是否靠谱，可以用知识图谱等工具辅助验证。

• 多轮推理：

不只看一份资料，而是综合多个证据来得出结论。

• 控制语言风格：

  让模型尽量说中立、客观的话，减少主观偏见。

（3）后期处理与改进：

• 人工审核 + 用户反馈：

有人定期检查输出内容，用户也可以指出问题。

• 对抗训练：

教模型识别那些容易出错的地方，提高抗干扰能力。

• 说明出处：

  回答时告诉用户依据来自哪里，方便追溯。

（三）不同场景下的建议做法

场景	推荐方法
教育问答	多来源 + 权威筛选
医疗咨询	事实核查 + 专业图谱
新闻摘要	去偏检索 + 中立表达
法律咨询	多轮推理 + 人工复核

（四）总结

RAG虽然能提升回答质量，但也容易受原始数据影响。要让它更可靠，可以从三个方面入手：

✅ 数据方面：资料要多样、高质量

✅ 模型方面：加事实核查、去偏机制

✅ 用户方面：提供反馈渠道、说明来源

10、使用RAG而不是其他自然语言处理技术的益处是什么？

RAG（检索增强生成）是一种结合搜索和生成的技术。它不是凭空编答案，而是先查资料，再根据查到的内容来回答问题。

相比传统方法，它有以下优势：

✅ 1. 回答更准确、更靠谱

• RAG会先从知识库中找相关信息，再生成答案。
• 这样回答基于真实数据，而不是模型自己“猜”的。
• 特别适合医疗、法律、企业内部查询等对准确性要求高的场景。

✅ 2. 能用最新的信息

• 普通模型的知识是固定的（比如只学到2023年的数据）。
• RAG可以通过更新知识库获取新信息，不需要重新训练整个模型。
• 适合新闻摘要、市场分析等需要实时更新的应用。

✅ 3. 减少胡说八道的情况

• 大模型有时会“编故事”，说一些不存在的事。
• RAG通过先查后答的方式，避免乱说，提高可信度。

✅ 4. 看得出答案是从哪来的

• RAG可以告诉你答案来自哪些文档或资料。
• 用户知道出处，更容易信任结果。
• 对金融、法律等行业特别重要。

✅ 5. 容易接入专业领域的知识

• 可以把企业的FAQ、数据库、内部文档等作为知识来源。
• 不用为每个领域单独训练一个大模型，节省时间和资源。

✅ 6. 比微调更省事

• 微调模型需要大量数据和计算资源。
• RAG只需要更新知识库就能适应新任务，维护起来也更容易。

✅ 7. 小语种或冷门领域也能用

• 如果某个领域没有太多训练数据，很难训练出好模型。
• RAG可以在没有大量标注数据的情况下，靠已有文档辅助生成答案。

📌 总结：RAG 和其他技术对比

特性	RAG	传统语言模型（如GPT）	微调模型
知识能不能更新	✅ 可以外部更新	❌ 固定知识	⚠️ 要重新训练
准不准	✅ 高（查了资料）	❌ 容易乱说	✅（如果训练得好）
能不能看来源	✅ 可以看到出处	❌ 黑盒	❌ 黑盒
计算成本	⚠️ 分两步，稍复杂	✅ 直接输出	✅ 推理快，但训练贵
能不能定制	✅ 可接入私有知识	❌ 难定制	✅ 可定制，但麻烦

11、你能讨论一个RAG特别有用的场景吗？

🧠 场景背景：

大公司通常有很多内部资料，比如技术文档、操作手册、常见问题解答、项目记录等。员工经常需要从中找信息来解决问题。

以前的做法是手动查文档、问同事或翻静态网页，效率低还容易出错。

✅ RAG怎么解决这个问题？

RAG 把“找资料”和“写答案”两件事结合起来，当用户提问题时：

(1) 先从资料中找出最相关的内容

(2) 再根据这些内容生成自然语言的回答

这样既不用提前写好所有答案，又能减少AI乱编的情况，因为回答是有依据的。

🔍 举个例子：

你在一家通信公司工作，问：

“最新的5G基站部署要求是什么？”

系统会：

• 自动从内部资料里找到《5G基站部署指南》
• 提取关键信息（如天线高度、功率设置、频段要求）
• 把这些内容整理成一段通顺的回答

而不是让AI凭空说，也不是只给一堆文档链接。

🌟 RAG的优势：

优势	简单说明
更新方便	只要更新文档，不需要重新训练模型
回答靠谱	所有内容都有出处，不瞎编
能处理复杂问题	多条件、多步骤的问题也能应对
节省时间	帮员工自动回答常见问题

12、RAG如何与现有的机器学习管道集成？

RAG（检索增强生成）是一种结合了“找资料”和“写答案”的方法。它先从外部知识库中找到相关信息，再把这些信息交给生成模型，让回答更准确、更有依据。

如果你想把 RAG 加入你已有的机器学习流程中，可以按照以下几个步骤来操作：

（一）搞清楚你现在的流程是怎样的

大多数机器学习流程包括以下几步：

(1) 数据清洗：整理输入的数据。

(2) 特征处理：提取有用的信息给模型使用。

(3) 训练或推理：训练模型或者用模型做预测。

(4) 结果处理与上线：优化输出结果并部署上线。

（二）RAG 的基本流程

RAG 主要有两个部分组成：

(1) 检索器（Retriever）：负责从知识库中找出相关的内容。

• 可以用传统方法（如 TF-IDF、BM25），也可以用向量搜索（如 DPR、FAISS）。

(2) 生成器（Generator）：根据原始问题 + 检索到的内容，生成最终的回答。

• 常见的语言模型有 T5、BART、LLaMA 等。

（三）怎么把 RAG 加进你的流程里？

（1）把 RAG 当成一个“增强生成模块”

如果你已经有生成模型（比如 Seq2Seq 模型），可以在它的输入中加入检索到的相关内容，这样模型就能参考更多信息来生成答案。

# 示例代码（不需改动）
input_with_context = f"问题：{question}\n相关资料：{retrieved_text}"
response = generator(input_with_context)

（四）构建外部知识库

你需要准备一个知识库，里面放你想让模型参考的内容，比如 FAQ、文档、数据库等。然后对这些内容进行预处理、分块、编码，方便检索器快速查找。

（五）评估与调优

集成完 RAG 后，要测试效果，看看是否提升了准确性。

你可以通过调整检索方式、生成策略、上下文长度等方式来优化性能。

13、RAG在自然语言处理中解决了哪些挑战？

RAG（检索增强生成）是一种结合了查资料和写答案的技术。

它能解决很多传统 AI 模型在处理语言时遇到的问题，特别是在需要大量知识的任务中表现很好。

（1）知识更新问题

问题：老模型的知识是固定的，只能回答训练数据里的内容，不能知道最新的事。

RAG 怎么做：

• 在回答前先去网上或数据库里查最新信息。
• 这样就能回答像“2024年奥运会金牌榜”这种新问题。

✅ 示例：问最近的新闻，RAG 可以查到最新消息再回答你。

（2）事实准确性问题

问题：有些 AI 会乱编话，听起来有道理但其实是假的。

RAG 怎么做：

• 回答前先查权威资料，比如医学书或政府网站。
• 然后再根据这些真实资料来写答案，减少瞎说。

✅ 示例：问某种病怎么治，RAG 会参考正规医学资料来回答。

（3）专业领域支持不足

问题：通用 AI 对法律、医疗等专业问题了解不深。

RAG 怎么做：

• 可以接入不同领域的资料库，比如法律条文、专利文件等。
• 不用重新训练整个模型，就能变成某个行业的专家助手。

✅ 示例：问合同条款，RAG 可以查法律条文给出专业建议。

（4）输入太长处理不了

问题：很多 AI 只能看一小段文字，太长就看不懂。

RAG 怎么做：

• 自动挑出最相关的部分来看。
• 减少干扰，让 AI 更专注关键信息。

✅ 示例：读一篇论文摘要，RAG 可先找出重点段落再总结。

（5）复杂问题不会推理

问题：有些问题要分几步才能想清楚，AI 做不到。

RAG 怎么做：

• 分多轮查资料、一步步推理。
• 每次查完都得出一点结论，再接着查下一步。

✅ 示例：问“谁拿过诺贝尔奖又当过联合国秘书长？”，RAG 会分步查人、查经历。

（6）个性化需求难满足

问题：通用 AI 难以适应企业或个人的特殊需求。

RAG 怎么做：

• 用户可以上传自己的资料，比如公司文档、客户记录。
• AI 就可以根据这些资料来定制服务。

✅ 示例：公司内部问答系统，可以基于员工上传的资料来回答问题。

总结：RAG 解决了哪些问题？

问题	RAG 的做法
知识旧	查最新资料
答案错	引用真实文档
不专业	接入专业库
太长看不懂	提取关键信息
复杂问题不会	多轮查+推理
个性化不够	支持自定义资料

14、RAG如何确保检索到的信息是最新的？

为什么要关注信息的新鲜度？

RAG（检索增强生成） 是一种结合“查资料”和“写答案”的技术。它先从外部知识库中查找相关信息，再用这些信息来生成更准确的回答。

但问题在于：如果知识库里是旧数据，那回答就可能出错。

所以，确保检索到的信息是最新的，是使用 RAG 的关键。

如何保证检索信息是新的？

（1）定期更新知识库

怎么做：

• 定时抓取最新资料（比如新闻、网页等）。
• 调用API获取实时数据（如天气、股票）。

优点：能控制知识质量。

缺点：需要维护更新机制，占用资源。

（2）实时检索

怎么做：用户提问时直接联网搜索最新结果。

• 例子：像 Google 或 Bing 提供的搜索接口就可以用。

优点：信息最及时。

缺点：响应慢一点，费用高。

（3）时间戳排序

怎么做：给每条资料打上时间标签，优先返回最近的内容。

优点：不用频繁更新也能提高新鲜度。

缺点：长期不更新的数据还是会过时。

（4）增量更新

怎么做：只更新有变化的部分，而不是全部重做。

优点：节省时间和资源。

缺点：实现起来复杂，要能识别哪些内容变了。

（5）静态+动态知识混合使用

怎么做：把稳定的知识（如百科）和经常变的知识（如新闻）分开处理，最后合并使用。

优点：兼顾效率和时效。

缺点：需要多个模块配合。

（6）人工审核与反馈

怎么做：让用户举报错误，或安排人员检查高频问题。

优点：提升准确性。

缺点：成本高，不能完全自动化。

总结对比表

方法	是否能保证新	成本	难度
定期更新	✅ 中等	中等
实时检索	✅ 强	高
时间戳排序	⭕ 有限	低
增量更新	✅ 中等	高
混合知识源	✅ 中等	中等
人工审核	⭕ 有限	高

推荐做法

• 对时效要求高的场景（如股市、新闻）：用实时检索 + 时间戳排序；
• 通用问答系统：建议定期更新 + 时间戳过滤 + 版本管理；
• 所有系统都应建立监控和反馈机制，持续优化。

核心流程图

15、你能解释RAG模型是如何训练的吗？

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合查找信息和生成答案能力的 AI 技术。

它由 Facebook 在 2020 年提出，主要用于问答、聊天机器人等需要大量知识的任务。

💡 核心思想：先查资料，再回答问题

RAG 的基本思路是：

不靠脑子记所有知识，而是遇到问题时先去查资料，再根据查到的内容来组织答案。

这样做的好处：

• 不用把所有知识都塞进模型里；
• 可以随时更新知识库；
• 答案有据可依，更容易解释；
• 更准确、更及时。

🔧 工作原理：两个模块配合完成任务

RAG 分成两个部分：

(1) 检索器（Retriever）

• 功能：从一堆文档中找出和问题相关的资料。
• 常用方法：DPR（稠密向量检索），像搜索引擎一样工作。
• 输入：用户的问题 → 输出：几个相关段落。

(2) 生成器（Generator）

• 功能：根据问题和找到的资料，写出自然语言的回答。
• 常用模型：BART 或 T5 这类预训练语言模型。
• 输入：问题 + 找到的资料 → 输出：最终答案。

怎么训练？

RAG 可以整体训练，也可以分开训练。

（1）检索器训练（可选）

• 如果已有现成的检索模型（如 DPR），可以直接用。
• 如果要自己训练，可以用对比学习的方法，让模型学会区分对错文档。

（2）生成器训练

数据格式如下：

输入	输出
[问题] + [检索结果1] + ... + [检索结果N]	正确答案

训练目标：让生成的答案尽可能接近正确答案。

（3）联合训练（进阶玩法）

Retriever 和 Generator 一起训练，效果更好，但对算力要求高。

具体步骤：

(1) 用户输入一个问题；

(2) 检索器在知识库中找几篇相关的文章或段落；

(3) 把问题和这些资料一起交给生成器；

(4) 生成器根据这些内容写出答案。

✅ 优点总结

• 知识更新方便：只需更新资料库，不用重新训练模型；
• 答案有依据：可以看到引用来源；
• 减少胡说八道：因为答案基于真实资料。

⚠️ 缺点说明

• 依赖资料质量：如果找不到相关内容，答案可能不准；
• 响应慢一点：多了一个查找步骤；
• 训练复杂：特别是联合训练时，资源消耗大。

16、RAG对语言模型的效率有何影响？

RAG 是一种结合了“找资料”和“写内容”的技术。它先从外部知识库中找到相关信息，再用这些信息来辅助生成更准确的回答。

虽然效果更好了，但也带来了一些效率上的问题。

（一）回答变慢了

为什么：

• 多了一个“找资料”的步骤。
• 查找过程可能需要复杂的计算，比如向量匹配。

影响：

• 比直接生成答案的模型（如GPT）慢一些。
• 在高并发或实时场景下会更明显。

（二）占用资源更多

为什么：

• 要额外运行一个“查找模块”，比如编码器 + 向量数据库。
• “查”和“写”两个阶段都要消耗计算资源。

影响：

• 成本更高，尤其在手机、嵌入式设备上不太适用。

（三）系统扩展难

为什么：

• 知识库越大，查找越慢。
• 数据更新频繁时，还要不断重建索引。

影响：

• 维护成本高，不适合经常变动的数据环境。

（四）训练效率变化不大，但更复杂

为什么：

• 分两步训练：先训练查找部分，再训练生成部分。
• 可以分别优化，但整体流程更复杂。

影响：

• 单次训练时间差不多，但开发调试更麻烦。

（五）提升效率的方法

优化方向	方法
加快查找	用FAISS等快速搜索工具、提前算好文档向量
缓存结果	把常用查询的结果保存下来
减小模型	用轻量级模型，比如DistilBERT
异步处理	把查找和生成分开做
压缩知识库	只保留高质量文档

总结

影响维度	效果	说明
推理速度	⬇️ 下降	多了查找步骤
资源消耗	⬆️ 增加	需要额外模块
可扩展性	⬇️ 挑战	大数据不好管理
准确性	⬆️ 提升	更依赖最新知识
实用性	✅ 增强	适合知识密集型任务

适用场景建议：

适合使用RAG的场景：

• 需要引用外部资料的任务（如问答、客服）
• 对准确性要求高的场景
• 知识经常更新的情况

不适合使用RAG的场景：

• 实时性要求高的场景（如语音助手）
• 设备资源有限（如手机端）
• 不依赖外部知识的任务（如写小说）

17、RAG与参数高效微调（PEFT）有何不同？

RAG 与 PEFT：两种增强大模型的方法

RAG 和 PEFT 是用来提升或定制大语言模型的两种不同方法。

它们的目标和使用方式不同，适合的场景也不同。

（一）基本概念

1. RAG（Retrieval-Augmented Generation）

是什么：先查资料，再生成答案。

怎么工作的：

• 先从知识库中找相关信息（检索器）
• 再根据找到的内容生成回答（生成器）

2. PEFT（Parameter-Efficient Fine-Tuning）

是什么：只动一点点参数，就能让模型适应新任务。

常用方法：

• LoRA
• Prefix Tuning
• Prompt Tuning
• Adapter Tuning

（二）对比一览表

对比项	RAG	PEFT
是否改动模型参数	不改	改一小部分
是否需要外部数据源	需要	不需要
训练成本	低	中到高
部署复杂度	较高	简单
知识更新是否方便	方便	不方便
适用任务类型	查资料类问题（问答、对话等）	分类、摘要、翻译等固定任务
可解释性	高（能看到参考资料来源）	低（像黑盒子）

（三）典型应用场景

RAG 的用武之地

• 客服机器人
• 法律、医疗问答助手
• 实时更新信息的系统

PEFT 的常见用途

• 资源有限时定制模型
• 快速适配新任务
• 多任务共享基础模型
• 模型压缩后部署在手机等设备上

（四）优缺点总结

RAG 的优点和缺点

• ✅ 优点：
  • 不改原始模型
  • 知识可以随时更新
  • 回答更准确、有依据
• ❌ 缺点：
  • 构建检索系统麻烦
  • 回答速度可能慢
  • 检索不准就会影响结果

PEFT 的优点和缺点

• ✅ 优点：
  • 微调快、资源少
  • 部署简单
  • 适合特定任务
• ❌ 缺点：
  • 更新知识不方便
  • 像黑盒子一样难理解
  • 效果可能不如全量微调

（五）可以一起用吗？

当然可以！比如：

• 用 LoRA 微调生成器，让它更适合某个专业领域；
• 同时用 RAG 提供最新知识，提高准确性。

这样既能节省资源，又能灵活应对变化。

（六）一句话总结

RAG 是“借资料答题”，PEFT 是“小改模型做定制”。

选哪个，看你的任务需求和资源情况。

核心流程图

18、RAG如何增强人与AI的协作？

RAG：让 AI 更聪明地回答问题

RAG（检索增强生成）是一种结合“查资料”和“写答案”的技术。

它先从外部知识库中查找相关信息，再把这些资料交给 AI 来生成回答。

这样可以让 AI 的回答更准确、有依据，也更容易让人理解和信任。

（1）靠“新数据”能给出最新、更准的答案

• RAG 让 AI 能实时查阅最新的资料，不会像传统 AI 那样只靠“老数据”来回答。
• 用户看到的回答是有来源的，自然更放心。

✅ 适用场景：客服、医疗、法律等对准确性要求高的地方。

（2）“有据可依”, 看得出 AI 是怎么想的

• RAG 在回答时会附带引用来源，比如文档或网页链接。
• 这样用户就知道 AI 不是瞎说的，而是“有据可依”。

✅ 示例：AI 回答技术问题时，可以附上参考资料链接。

（3）更懂你想要什么

• RAG 会根据你的问题动态查找最相关的资料，让回答更贴合你的需求。
• 在连续对话中也能记住上下文，保持逻辑连贯。

✅ 适用场景：学习辅导、企业内部问答、个性化推荐等。

（4）减少胡编乱造的情况

• 因为答案是基于真实资料生成的，所以 AI 很少会“编故事”。
• 对需要高可靠性的任务来说非常重要。

（5）一起做决定更高效

• RAG 帮 AI 快速整理大量信息，生成建议，辅助人做出更好的判断。
• 用户也可以参考 AI 提供的资料进一步分析或调整。

✅ 适用场景：商业分析、政策制定、科研辅助等。

（6）连接公司内部的知识库

• 企业可以把 RAG 接入自己的数据库、文档系统或知识图谱。
• 让 AI 成为员工快速获取内部知识的好帮手。

总结：

优势	对人机协作的影响
提供最新/准确信息	增强信任感
可解释性强	提升透明度
上下文感知	支持个性化服务
减少幻觉	提高可靠性
知识整合能力	辅助决策制定
接入内部知识	提升组织效率

最后一句话：

RAG 技术让 AI 不再是个“黑盒子”，而是一个能查资料、讲道理、帮你思考的好助手。未来，随着技术的发展，RAG 将在更多专业领域帮助人和 AI 更好地合作。

19、你能解释RAG系统的技术架构吗？

📚 什么是 RAG？

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了“查资料”和“写答案”的技术，常用于问答系统、聊天机器人等需要引用外部知识的场景。

💡 核心思想

在回答问题前，先从外部资料中找到相关信息，再用这些信息来辅助生成答案。这样可以让答案更有依据、更准确。

传统模型像 GPT 是靠训练时记住的知识回答问题；而 RAG 则像是边查资料边答题，能用最新的、外部的信息来生成答案。

⚙️ RAG 系统的组成

RAG 系统主要由三部分组成：

（1）查找器（Retriever）

功能：从大量文档中快速找出与问题相关的资料

方法：

• 向量匹配（如 FAISS、DPR）
• 关键词搜索（如 BM25）

（2）排序器（Ranker，可选）

功能：把找出来的资料按相关性排序

方法：

• 更精细的语义模型打分（如交叉编码器）

（3）生成器（Generator）

功能：根据问题和找到的资料，生成自然语言的回答

方法：

• 使用像 BART、T5、GPT 这样的模型
• 输入 = 问题 + 找到的资料

🔁 工作流程

🧪 示例说明（以问答为例）

用户问：“爱因斯坦得过哪些奖？”

(1) Retriever 从维基百科等资料中找到相关内容

(2) Ranker（如果有）选出最相关的几段

(3) Generator 结合问题和资料，输出答案，比如：“爱因斯坦于1921年获得诺贝尔物理学奖……”

✅ 优点总结

优点	说明
更准确	基于真实资料，减少胡编乱造
可查来源	能知道答案来自哪篇文档
易更新	想让模型知道新知识？只需更新资料库

🌐 应用场景

• 客服机器人
• 公司内部知识库问答
• 医疗/法律助手
• 教育辅导系统
• 大模型扩展知识插件

🛠️ 常见工具

• Hugging Face Transformers（含 RAG 模型）
• FAISS / Milvus（高效向量检索）
• Elasticsearch / BM25（关键词检索）
• DPR（Facebook 提出的检索方法）

📝 总结

RAG 把“查资料”和“写答案”结合起来，解决了传统模型知识老、容易瞎说的问题，是构建高质量问答系统的重要方式之一。

20、RAG如何在对话中保持上下文？

（一）什么是RAG？

RAG（检索增强生成） 是一种结合“查资料”和“写回答”的方法。它的工作流程分为两步：

(1) 查资料（Retrieval）：从知识库中找相关信息。

(2) 写回答（Generation）：用找到的信息和用户的问题一起生成答案。

（二）为什么要保留上下文？

在聊天过程中，用户可能会连续提问，后面的问题可能依赖前面的内容。

比如：

• 用户问：“北京有什么好玩的？”
• 系统回答后，用户接着问：“那上海呢？”

如果不记得前面说了什么，“上海呢”就很难理解成“上海有什么好玩的”。

（三）RAG怎么保留上下文？

（1）记录对话历史

把每一句话都记下来，传给模型参考。

例如：

User: 北京有什么好吃的？
System: 北京有烤鸭、炸酱面...
User: 那上海呢？

处理最后一句时，把整个对话作为输入的一部分，帮助模型理解“那”指的是前面说的“好吃的”。

（2）在查资料时也看上下文

不只是看当前问题，还要结合之前聊过的内容来重构查询。

比如：

• 当前问题是“那上海呢？”
• 结合上下文变成“上海有什么好吃的？”

这样再去查资料会更准确。

（3）生成答案时融合上下文和资料

生成回答时，把三样东西一起交给模型：

• 用户当前说的话
• 对话历史（上下文）
• 查到的相关信息

这样模型就能写出连贯又准确的回答。

（4）管理对话状态

长期对话中可以记录一些关键信息，比如：

• 用户喜欢旅游还是美食
• 已经聊过哪些话题
• 用户有没有特别偏好

这些信息可以在后续对话中被使用，让系统更懂用户。

（5）滑动窗口机制

如果对话太长，只保留最近几轮内容，比如最近3~5句话。这样既能减少负担，也能保留足够的上下文。

（四）一个简单例子

对话过程如下：

(1) 用户：北京有什么好吃的？

(2) 系统：查“北京美食”，回答：烤鸭、炸酱面等。

(3) 用户：那上海呢？

(4) 系统：

• 理解为“上海有什么好吃的”
• 查“上海美食”
• 回答：小笼包、蟹粉小笼等

（五）总结方法

方法	做法
记录对话历史	每轮对话都传给模型
上下文查资料	结合历史重构查询
融合生成	输入包含上下文+资料
管理状态	记录用户兴趣和偏好
滑动窗口	只保留最近几轮对话

（六）核心流程图

21、RAG有哪些局限性？

RAG 是一种结合“查资料”和“写答案”的技术。

它先从外部知识库中查找相关信息，再用这些信息生成回答。虽然这种方法能提高回答的准确性和时效性，但也存在一些问题。

（一）依赖外部资料的质量

(1) 资料质量决定结果好坏

• 如果资料本身有错误、过时或不全，那最终的回答也可能出错。
• 资料覆盖范围不够广，可能找不到相关的内容。

(2) 维护成本高

• 想让资料保持最新，需要经常更新，这会消耗大量人力和资源。

（二）检索效率不高

(3) 查资料太慢

• 在大规模资料库里找相关内容（比如用向量匹配），速度可能很慢，影响整体响应时间。

(4) 占用资源多

• 查资料 + 写答案两个步骤一起运行，对服务器要求高，尤其在多人同时使用时更明显。

（三）查资料和写答案配合不好

(5) 查到的内容可能无关或重复

• 查回来的信息可能不相关或重复，导致写出来的答案混乱或啰嗦。

(6) 模型对资料依赖不稳定

• 有时模型太依赖查到的内容，忽略自己已有的知识；
• 有时又完全忽略查到的内容，只用自己的知识，造成浪费。

（四）难以控制和解释

(7) 出错难定位

• 如果最后的答案错了，很难判断是查资料的问题，还是写答案的问题。

(8) 无法控制如何使用资料

• 比如不知道模型是否优先用了新资料，或者怎么处理互相矛盾的信息。

（五）开发和部署复杂

(9) 训练困难

• 查资料和写答案的模块通常是分开训练的，很难做到统一优化。

(10) 部署麻烦

- 需要同时搭建查资料系统和写答案系统，涉及多个组件的整合，技术门槛高。

（六）安全与隐私风险

(11) 可能泄露敏感信息

- 如果资料里包含机密内容，可能会在检索过程中不小心暴露出来。

(12) 版权问题

- 使用第三方资料时，可能存在未经授权引用内容的风险。

总结：RAG 的主要问题分类

类别	局限性
数据依赖	资料质量差、更新成本高
性能瓶颈	查得慢、资源消耗大
内容协调	内容不相关、依赖不合理
可控性	错误难追踪、使用不可控
工程复杂度	训练难、部署难
安全隐私	泄露风险、版权问题

21、RAG如何处理需要多跳推理的复杂查询？

有些问题不能靠一次搜索就能回答清楚，需要多次查找信息并把它们连起来思考。

这种能力叫做“多跳推理”。

（一）什么是“多跳推理”？

就是说，要回答一个问题，得先查一次资料，再根据这个结果继续查下一轮，直到找到最终答案。

举个例子：

问：“《哈利·波特》的作者出生在哪里？”

• 第一步：查《哈利·波特》是谁写的 → J.K. 罗琳
• 第二步：查J.K. 罗琳的出生地 → 英国格洛斯特郡

这就用了两次查找，中间还要动脑连接信息。

（二）RAG怎么处理这类问题？

普通RAG只能做一次查找+一次回答。

要解决复杂问题，就得用一些特别的方法。

方法1：一步步来，边查边问（迭代检索）

原理：

• 把大问题拆成小问题；
• 每次查一点，然后根据结果提出新问题；
• 继续查下去，直到得到完整答案。

示例：

问：“谁写了《百年孤独》，他还在哪部作品中出现过？”

(1) 查《百年孤独》的作者 → 加布里埃尔·加西亚·马尔克斯

(2) 再查他的其他作品 → 《霍乱时期的爱情》等

工具支持：

• 可以用 HotpotQA 这类数据集训练模型；
• 也可以让模型自己决定下一步查什么。

方法2：用关系图来找答案（图结构检索）

原理：

• 把知识整理成一张图，比如人和书的关系；
• 在图上找路径，看看问题里的东西是怎么连起来的。

应用场景：

• 适合人物关系、事件因果等问题；
• 需要有结构化的知识库，比如维基百科。

方法3：分模块处理（模块化 RAG）

把整个流程分成几个部分：

• 分析问题
• 多轮查找
• 推理分析
• 最后输出答案

特点：

• 各部分可以单独优化；
• 可以接入外部工具，比如搜索引擎或数据库。

方法4：让模型自己学着走（强化学习）

原理：

• 让模型像玩游戏一样学习怎么查；
• 它会根据已经查到的信息，决定下一步该查什么。

优势：

• 能自动找到最优路径；
• 适合开放性问题。

方法5：让模型自己提问（自我提问法）

原理：

• 大模型自己先想中间问题；
• 然后一个个查，一步步得出答案。

示例：

问：“谁写了《百年孤独》，他还写了什么？”
→ 模型自己想：“我得先知道作者是谁。”
→ 查完作者后，再问：“他还有哪些作品？”

实现方式：

• 主要是通过提示词设计实现；
• 可以结合检索系统一起使用。

（三）效果评估与难点

评估方法：

• EM（完全匹配）
• F1分数（部分匹配）
• 使用专门的数据集测试，如 HotpotQA、Musique 等

主要挑战：

• 第一步错了，后面全错；
• 中间步骤不好控制；
• 缺乏大量标注数据；
• 多次检索影响速度。

（四）总结对比表

方法	描述	优点	缺点
迭代式检索	多轮查找	易实现	错误容易传播
图结构检索	用图找关系	结构清晰	依赖图质量
模块化RAG	分工明确	灵活扩展	架构复杂
强化学习	自动决策	智能高	成本高
自我提问	模型自问自答	不需额外架构	控制难

（五）未来方向

• 更聪明的排序机制
• 专为多跳任务设计的训练目标
• 检索和推理一起优化
• 和知识图谱深度结合
• 支持图文视频的多跳推理

🔄 核心流程图

这个图展示了多跳推理的基本流程：从问题出发，判断是否需要多跳 → 分解问题 → 多轮检索 → 整合信息 → 输出答案。

23、知识图在RAG中扮演什么角色？

知识图谱在RAG中的作用

知识图谱（Knowledge Graph）可以提升 RAG（检索增强生成）系统的理解和回答能力。

传统 RAG 主要靠文档或向量数据库来查找信息，而加入知识图谱后，系统能更好地理解问题背后的含义，还能进行逻辑推理。

下面介绍知识图谱在 RAG 中的几个主要作用：

（1）让检索更准确

• 知识图谱记录了各种实体之间的关系。
• 当用户提问时，系统可以通过这些关系找到更相关的答案。
• 比如问“爱因斯坦的学生有哪些？”，系统能通过图谱找到“指导学生”这条关系，快速定位答案。

（2）增强理解与推理

• 一般 RAG 只能做简单的语义匹配，但复杂问题需要一步步推理。
• 知识图谱用三元组（A 和 B 是什么关系）的形式存储信息，支持多步推理。
• 比如问“《相对论》作者的导师是谁？”，系统可以先找作者，再找他的导师。

（3）补充新知识和冷门知识

• 大模型的知识是固定的，对新出现的信息或冷门知识了解有限。
• 知识图谱可以随时更新，作为外部知识源，补足模型的短板。

（4）解决多跳问题

• 多跳问题是那种需要查多个信息点才能回答的问题。
• 知识图谱本身就是一个连接很多信息的网络，特别适合处理这类问题。
• 比如问“美国总统出生在哪里？”，系统可以先查现任总统是谁，再查他的出生地。

（5）提高生成内容的准确性

• 在生成答案时，系统会参考知识图谱里的事实，避免胡编乱造。
• 这样输出的答案更可靠，也更一致。

（6）优化检索索引

• 把知识图谱和文档结合，可以建立更智能的检索方式。
• 不只是靠关键词匹配，还可以根据语义路径来找答案，效果更好。

总结：知识图谱在 RAG 中的作用

作用	说明
增强理解	帮助系统理解问题中的实体和关系
支持推理	利用图结构一步步找出答案
补充知识	提供最新或冷门信息
提高检索	让搜索结果更相关
保证准确	避免生成错误信息
优化索引	结合图和文本，提升搜索效率

应用举例

• 医疗问答：用医学知识图谱辅助医生或患者获取专业建议。
• 金融风控：分析企业之间的关系，识别潜在风险。
• 智能客服：结合产品知识图谱，快速解答用户问题。

24、实施RAG系统时有哪些伦理考虑？

由于平台的字数限制，这里请参见原文

本文 的 原文 地址

原始的内容，请参考 本文 的 原文 地址

本文 的 原文 地址

核心流程图