Update nexus wiki content

wiki/concepts/RAG.md

@@ -1,26 +1,37 @@
 ---
 title: "RAG"
 type: concept
-tags: [rag, retrieval, llm, knowledge]
-aliases: [RAG, Retrieval-Augmented Generation, 检索增强生成]
-last_updated: 2025-12-20
+tags: [AI, knowledge-base, retrieval]
+sources: [karpathy-最新分享-用-llm-搭建个人知识库-告别-rag-的低效循环, llm-wiki, 大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏, llms-rag-ai-agent三个到底什么区别]
+last_updated: 2026-04-20
 ---
 
-## Definition
-Retrieval-Augmented Generation（RAG），检索增强生成，通过从外部知识库检索相关信息来增强大语言模型的回答质量，解决模型在陌生领域的幻觉（Hallucination）问题。
+## Aliases
+- Retrieval-Augmented Generation
+- 检索增强生成
 
-## Key Facts
-- 大模型在陌生领域容易产生幻觉，"一本正经胡说八道"
-- RAG 通过给模型"一些提示"，引导其在正确方向上回答
-- 效果案例：正确率从 60% 提升至 90%
-- RAG 依赖 [[Embedding]] 技术实现语义检索
-- 典型 RAG 流程：用户问题 → 检索外部知识 → 将检索结果注入 Prompt → LLM 生成回答
+## Definition
+Retrieval-Augmented Generation（RAG，检索增强生成）——一种通过外部文档检索消除大模型幻觉、提升回答准确性的技术方案。用户上传文档后，AI 在回答时实时检索相关片段并拼接入答案。典型应用：NotebookLM、ChatGPT 文件上传。
+
+## Key Properties
+- 每次查询从零检索，无持久化积累
+- 综合多文档时，需要"现场找碎片、现场拼"
+- RAG 通过"给提示"解决大模型在陌生领域的幻觉问题
+- 正确率可从 60% 提升至 90%（[[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]）
+
+## Limitations
+- **没有积累**：每次提问 AI 都在从头搜寻知识，什么都没沉淀
+- **维护成本高**：需要持续维护文档库，但 AI 不会自动更新交叉引用
+- Karpathy 指出：人类放弃 Wiki 是因为**维护成本的增长速度超过了价值的增长速度**
+
+## Contrast: RAG vs LLM Wiki
+| 维度 | RAG | [[LLM Wiki]] |
+|------|-----|--------------|
+| 知识状态 | 每次查询从零 | 持久化积累 |
+| 交叉引用 | 无 | 自动维护 |
+| 多文档综合 | 临时拼接 | 预编译 |
+| 维护者 | 人类 | AI（趋近于零成本）|
 
 ## Connections
-- [[Embedding]] ← 依赖 ← [[RAG]]
-- [[Hallucination]] ← 解决 ← [[RAG]]
-- [[Large Language Model]] ← 增强 ← [[RAG]]
-- [[LangChain]] ← 支持 ← [[RAG]]
-
-## Sources
-- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]
+- [[LLM Wiki]] ← 对比/替代 ← RAG
+- [[RAG]] ← 基础概念 → [[LLM Wiki]]