EN
02 / 05第 1 章：檢索增強生成簡介 · 2 分鐘 · 2026-10-05

1.2 什麼是檢索增強生成（RAG）？

RAG 的定義，以及一次問答從頭到尾經過哪三個步驟。

RAG下一篇 →

上一節講了標準 LLM 的幾個限制：知識過期、會幻覺、不懂私有資料、說不出出處。檢索增強生成（Retrieval-Augmented Generation，簡稱 RAG） 就是針對這些問題設計的一種做法。

這個名詞和做法來自 2020 年 Lewis 等人發表的論文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》，後來成為把 LLM 接上外部知識最常見的方式。

核心想法

一句話：在模型回答之前，先加一個「查資料」的步驟。

標準的 LLM 只能靠訓練時學到的參數（可以想成它腦袋裡的記憶）回答。RAG 多做了一件事：先根據問題，去外部的知識來源找出相關的內容，再把這些內容當作**上下文（context）**交給模型，讓它參考著回答。

可以把它想成「閉書考試」和「開書考試」的差別：

  • 一般 LLM：閉書考試，全靠記憶，記錯了或沒學過就慘了。
  • RAG：開書考試，先翻書找到相關的幾頁，再照著那幾頁寫答案。

三個步驟

RAG 一次問答可以拆成三步，名稱本身就是這三步：

  1. 檢索（Retrieve）：拿使用者的問題，到知識庫裡找最相關的幾段內容。
  2. 增強（Augment）：把找到的內容和原本的問題合在一起，組成一份新的提示詞。「增強」指的就是用外部資料充實提示詞。
  3. 生成（Generate）：把這份提示詞交給 LLM，它根據裡面的資料寫出最後的回答。

RAG 的三個步驟：問題進來，先檢索，再把結果和問題合併，最後交給 LLM 生成答案

圖裡的「外部知識庫」可以是公司文件、資料庫、網頁、論文，任何你想讓模型參考的文字資料。它和模型是分開的，所以更新資料不需要動模型。

舉個例子

使用者問：「我們公司的特休假怎麼算？」

沒有 RAG 的時候

模型沒看過你們公司的人事規章，只能講一般的勞動法規，或是編一個聽起來很像的制度。使用者可能就這樣被誤導了。

有 RAG 的時候

  1. 檢索：系統用這個問題去搜尋人事規章，找到「特休假」那一章的幾段文字。
  2. 增強：把這幾段文字和問題組成提示詞，大意是「請根據以下內容回答問題：……」。
  3. 生成：模型照著這些規定回答，還可以順便說明是根據哪一條。

注意模型本身一個字都沒變。變的是它回答時手上拿到的資料。

和「直接把所有文件塞給模型」有什麼不同？

有人會想：既然要給資料，為什麼不乾脆把全部文件都貼進去？原因有兩個：

  • 放不下：模型一次能讀的長度有限（叫做上下文視窗），而知識庫動輒幾千幾萬頁。
  • 太浪費、太雜：塞太多不相關的內容，成本變高、速度變慢，模型也比較容易被干擾。

所以 RAG 的「檢索」這一步很重要：它負責在大量資料裡，只挑出真正有用的那幾段。

← 全部文章