面经策

什么是 RAG 检索增强生成？它解决了大模型的哪些问题？ ​

  • 标签：RAG、RAG 基础

🏛 业务架构师 ​

RAG（检索增强生成）= 检索外部知识 + 大模型生成：用户提问→检索相关知识→把知识塞进提示词→模型基于知识作答。

它解决了大模型的四个业务痛点：

  1. 知识时效性：模型知识停留在训练截止日，问"最新的退货政策"它不知道或编旧版答案；RAG 从活的知识库取——文档更新五分钟生效，不用重训模型；
  2. 私有知识缺失：模型没见过你公司的产品手册、制度流程、客户档案——RAG 把私有知识变成模型可用的"外挂大脑"，这是企业落地的第一需求；
  3. 幻觉抑制：让模型"看着材料答题"而不是凭记忆发挥——有依据的生成显著降低编造率，配合引用溯源可核验；
  4. 合规与数据边界：敏感数据不能拿去训练（微调会让数据"融进"模型有泄露风险），RAG 的知识库可以带权限控制——谁能检索什么内容是明确管理的，这是金融、政务、医疗场景唯一可行的知识接入方式。

附带的经济性：相比微调，RAG 建设成本低（不用 GPU 训练）、迭代快（改文档即生效）、可溯源（有出处）——三个优势让它成为 2026 年企业 AI 落地率最高的架构。

我的定式：知识类需求默认 RAG，行为风格类需求才考虑微调。评估一个 AI 项目该不该做，先看它的知识是否需要频繁更新和权限管控——是的话 RAG 就是标准答案。

🏗 系统架构师 ​

RAG = Retrieval-Augmented Generation：检索增强生成——生成前先从外部知识库检索相关内容，注入上下文再让 LLM 生成。架构上它是"参数化知识（模型权重）+ 非参数化知识（外部库）"的混合系统。

解决大模型的四个问题：

  • 知识时效性：模型知识冻结在训练截止日，RAG 库可实时更新（今天发的公告今天就能答）——知识更新从"重训模型（周/月级、百万成本）"变为"更新索引（分钟级、近零成本）"；
  • 私有知识盲区：企业内部文档、个人数据模型从没见过，RAG 是接入私有知识的唯一经济路径（微调注入知识贵且易忘、不可溯源）；
  • 幻觉抑制：答案 grounding 在检索证据上 + 可引用溯源——从"闭卷瞎编"变"开卷引用"；
  • 成本与可控性：用小模型 + 好检索达到大模型效果（知识在外部不在参数里）；权限可控（检索层 pre-filter，谁能看什么文档精确到行）；知识可审计可回滚（版本化语料）。

架构师视角的本质：RAG 把 LLM 系统从"单体智能"变成"检索系统 + 生成系统"的两段式架构——知识的存储与治理移到了传统数据工程领域（数据库、索引、ETL、权限），这让企业已有数据基础设施直接复用，也是 RAG 成为企业落地第一选择的结构性原因。

代价：检索链路引入新故障点与延迟（100~300ms）；检索质量决定上限（garbage in garbage out）——RAG 系统的工程重心 70% 在检索侧。

💻 全栈开发专家 ​

RAG（检索增强生成）= 检索外部知识 + 交给模型生成。它解决大模型四个硬伤：

  1. 知识截止：模型训练有截止日期，问「今天的」「最新的」就抓瞎——RAG 检索实时数据补上；
  2. 幻觉：开放生成时模型倾向「编一个像样的」——RAG 给它依据，从「闭卷考试」变「开卷考试」；
  3. 私有知识缺失：企业内部文档、数据库模型没见过，也不会见到（不能都拿去训练）——RAG 即插即用；
  4. 无法溯源与更新：微调灌进去的知识既改不动也说不清出处——RAG 换文档即生效，每句话能标来源（合规刚需）。

最小实现（Spring AI 一段代码）：

java
String content = ChatClient.create(chatModel).prompt()
    .system("仅根据以下资料回答并标注来源")
    .user(question)
    .advisors(a -> a.param(
        QuestionAnswerAdvisor.FILTER_EXPRESSION, "dept=='sales'"))
    .tools(new QuestionAnswerAdvisor(vectorStore, SearchRequest.builder()
        .topK(5).similarityThreshold(0.6).build()))
    .call().content();

工程价值对比（为什么默认选 RAG 而不是微调）：知识更新分钟级 vs 天级；可溯源可审计 vs 黑盒；无训练成本 vs GPU 投入；权限可挂在检索层 vs 知识熔进权重无法按人隔离。

边界（何时不够）：模型领域话术太差（微调补）、需要学的是「行为」而非「知识」、延迟预算极小（减少一次检索）——这时 RAG+微调组合拳。