RAG（检索增强生成）
一句话解释
AI 回答前先从知识库里检索出相关资料，再根据这些资料生成回答的方法。
RAG 解决两个问题：模型不知道企业内部资料；资料太多，不能全部放进上下文。检索出最相关的几段交给模型，既准确又省 Token。
RAG 的效果取决于检索准不准：资料怎么切块、用什么方式检索、取几段，都会影响结果。
举个例子
官网销售顾问收到「你们能做海外 GEO 吗」，先从官网资料里检索出海外版的介绍，再据此回答。
相关术语
- 知识库Knowledge Base
- 存放企业资料和经验、供 AI 检索和引用的资料库，让 AI 按企业自己的事实回答问题、写内容。
- 向量（Embedding）Embedding
- 把一段文字或一张图片转换成一串数字，意思相近的内容，数字也相近，用来按意思找资料。
- 向量数据库Vector Database
- 存储向量、并能快速找出意思最接近内容的数据库，是 RAG 和知识库检索的常用组件。
- 文本切块（Chunking）Chunking
- 把长文档切成大小合适的小段，再存进知识库，方便检索时只取出相关的部分。
