概念卡：RAG Retrieval-Augmented Generation

综合实践 · 01_专业概念地图/概念卡_RAG.md

概念卡：RAG Retrieval-Augmented Generation

一句话定义

RAG 是先从资料库检索相关内容，再让 AI 基于检索材料生成回答的方法。

它解决什么问题

它减少 AI 凭空编造，使回答更贴近指定论文、课程资料或个人知识库。

典型使用场景

• 基于导师论文回答问题。
• 基于课程讲义做作业。
• 从个人概念卡中检索相关知识。
• 构建专业学习助手。

需要知道的关键词

• Retrieval
• Context
• Embedding
• Chunk
• Citation

和导师方向的关系

当你积累大量论文、概念卡和代码记录后，RAG 可以把这些材料转成可查询的专业知识库。

交流时可以怎么说

现阶段我先不做模型微调，而是先整理资料库；等材料稳定后，可以考虑 RAG 来增强专业问答。

RAG 的关键不是模型更聪明，而是提供了可追溯的上下文。

可以追问的问题

• 检索材料是否可靠？
• 回答是否引用了来源？
• chunk 切分是否破坏上下文？

给 AI 的提示词

请解释 RAG 和普通 ChatGPT 提问的区别。要求说明它适合个人论文库、课程资料和概念卡场景，并列出搭建前置条件。

我的理解边界

• 已理解：RAG 是检索增强生成。
• 还不确定：embedding 和向量数据库细节。
• 下次需要补：知识库结构。