应对 2：RAG 检索增强生成
真实文档注入上下文，5 步交互流程动画，对比有无 RAG 的差异
本页解决的问题
先给结论「应对 2：RAG 检索增强生成」要解决的关键问题是什么？
真实文档注入上下文，5 步交互流程动画，对比有无 RAG 的差异
先检查模型究竟看到了什么。 把指令、参考材料、历史、工具和输出规则拆开。上下文变得可见后，通常更容易选对修复方式。
在修改 Prompt 或模型之前，先画出一个小流程的输入和输出。
不断增加文字，但真正的问题其实是相关性、顺序或缺少边界。
对话对比
「选择业务场景」为什么能找到相关内容
「真实文档注入上下文，5 步交互流程动画，对比有无 RAG 的差异」把检索问题从“把资料存起来”推进到“怎样找到真正相关的资料”。这一步决定了 RAG、推荐和以图搜图最后交给模型的输入质量。
相似度不是答案，召回之后还要核对
在「真实文档注入上下文，5 步交互流程动画，对比有无 RAG 的差异」对应的流程里，Embedding 负责把对象放到可比较的语义空间，近邻索引负责减少搜索范围，最终的回答仍然依赖召回片段是否覆盖问题、距离指标是否合适，以及内容有没有过期。
先区分找得到和找得准
把「真实文档注入上下文，5 步交互流程动画，对比有无 RAG 的差异」落成一次小测试：准备几条有明确答案的查询，记录召回的相关性、遗漏和无关结果，再决定是否需要换切分方式、索引或重排。
从「选择业务场景」走到「对话对比」
「选择业务场景」先把问题落在「场景 A · 法律 / 合规 合同审查 / 法规查询助手 法规频繁更新，模型训练数据有截止日期，极易引用已废除的旧条文。 场景 B · 医疗健康 药品说明 / 用药建议助手 用药方案高度个性化，模型的通用知识无法反映患者具体情况与医院规范。 场景 C · 产品文档 SaaS 产品技术支持机器人 产品迭代快，版本号、功能路径频繁变化，模型只记得训练时的旧版本。 PM 决策框架：什么时候必须上 RAG？ ✅ 知识时效性强…」上；到了「对话对比」，讨论继续推进到「↺ 重播 对比视图 RAG 流程图 为什么有效 无 RAG（闭卷） 有 RAG（开卷） 下一步 → 重置 第 0 / 7 步 步骤 1：点击「下一步」开始 点击左侧「下一步」查看每步细节 → 无 RAG：闭卷考试 问题 → × 训练记忆推断 前文只有问题本身，模型只能靠训练数据里的印象来推 Token 有 RAG：开卷考试 真实文档片段 + 问题 → ✓ 准确回答 检索到的文档成为前文的一部分，直接影响每步 Toke…」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。
- 「选择业务场景」：场景 A · 法律 / 合规 合同审查 / 法规查询助手 法规频繁更新，模型训练数据有截止日期，极易引用已废除的旧条文。 场景 B · 医疗健康 药品说明 / 用药建议助手 用药方案高度个性化，模型的通用知识无法反映患者具体情况与医院规范。 场景 C · 产品文档 SaaS 产品技术支持机器人 产品迭代快，版本号、功能路径频繁变化，模型只记得训练时的旧版本。 PM 决策框架：什么时候必须上 RAG？ ✅ 知识时效性强…
- 「对话对比」：↺ 重播 对比视图 RAG 流程图 为什么有效 无 RAG（闭卷） 有 RAG（开卷） 下一步 → 重置 第 0 / 7 步 步骤 1：点击「下一步」开始 点击左侧「下一步」查看每步细节 → 无 RAG：闭卷考试 问题 → × 训练记忆推断 前文只有问题本身，模型只能靠训练数据里的印象来推 Token 有 RAG：开卷考试 真实文档片段 + 问题 → ✓ 准确回答 检索到的文档成为前文的一部分，直接影响每步 Toke…
最后的「最后把结论落到实践」把讨论落到「真实文档注入上下文，5 步交互流程动画，对比有无 RAG 的差异」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
互动练习
把模糊需求拼成一条可执行的提示词
把目标、背景和限制说清楚，再把整理好的提示词带到你正在使用的 AI 工具里。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。