38 lines
1.7 KiB
Markdown
38 lines
1.7 KiB
Markdown
---
|
||
title: "RAG"
|
||
type: concept
|
||
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
|
||
---
|
||
|
||
## Aliases
|
||
- Retrieval-Augmented Generation
|
||
- 检索增强生成
|
||
|
||
## 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
|
||
- [[LLM Wiki]] ← 对比/替代 ← RAG
|
||
- [[RAG]] ← 基础概念 → [[LLM Wiki]]
|