RAG 解决了大模型的哪些核心问题？基本流程是什么？

题目

请简述你对 RAG（检索增强生成）的理解，以及它解决了大模型的哪些核心问题。

参考答案

RAG（Retrieval-Augmented Generation，检索增强生成）：给 LLM 提供一个外部知识库，对用户问题先检索相关文档，再把文档作为上下文输入 LLM 生成答案。流程为：用户提问 → 检索相关文档 → 拼接为上下文 → LLM 生成答案。

解决的核心问题：

1. 知识时效性：模型权重训练有截止时间，无法回答新发生的事；RAG 接入实时更新的外部库即可。
2. 幻觉（Hallucination）：模型可能”一本正经胡说八道”；RAG 让生成有据可依，可附引用溯源。
3. 领域/私有知识：企业内部数据未进预训练，RAG 无需重训即可接入。
4. 成本：相比微调/重训，RAG 只需更新知识库，迭代快、成本低。
5. 可溯源性：答案可标注出处，满足审计与合规需求。

基本流程（两步）：

• 检索（Retrieve）：将文档切块（chunk）→ embedding 向量化 → 存入向量数据库；查询时用相同编码器检索 Top-K 相关块。
• 生成（Generate）：把检索到的块拼进 Prompt 的上下文，让 LLM 基于上下文作答。

典型组件：文档切分、Embedding 模型、向量数据库（Milvus/Qdrant/FAISS）、重排序（rerank）、Prompt 模板、LLM。

出处：CSDN《大模型 LLM 面试合集：rag（检索增强生成）技术》。