本文整理自 AWS 官方页面 什么是 RAG（检索增强生成）？，内容与观点归 Amazon Web Services 所有，这里做了中文归纳、结构化与配图重绘。
一、RAG 是什么
检索增强生成（Retrieval-Augmented Generation，RAG）指在生成回答之前，先让大语言模型（LLM）去检索一份权威知识库，用检索到的内容来约束和补充输出。
模型本身不用重新训练，只是多了一个「查资料」的动作。原文的判断是：这是低成本改进 LLM 输出的方法，让回答在具体场景下保持相关性、准确性和实用性。
二、为什么需要 RAG
LLM 的训练数据是静态的，知识有截止日期；而它的输出又足够自信。原文把这种状态比作一个过于热情的新员工：不了解时事，但什么问题都答得斩钉截铁。
| 常见问题 | 表现 |
|---|---|
| 无中生有 | 没有答案时给出虚假信息 |
| 信息过时 | 用户要最新的具体信息，模型给宽泛的旧内容 |
| 来源不权威 | 依据非权威来源组织回答 |
| 术语混淆 | 不同训练来源对同一术语的定义不同，导致答非所问 |
RAG 的应对方式是：把模型重定向到预先确定的权威知识来源，组织对输出有更强的控制，用户也能看清答案是怎么来的。
三、RAG 的四个好处
| 好处 | 说明 |
|---|---|
| 成本低 | 针对领域数据重训基础模型的算力和费用都很高；RAG 只要接外部数据，不动模型 |
| 信息新鲜 | 可以直接对接实时社媒、新闻网站等频繁更新的来源 |
| 可追溯 | 输出可以附带引文与来源，用户能自己核对原文，信任度更高 |
| 可控 | 开发者能更换信息来源、按权限限制敏感内容的检索范围，也能在答案引错来源时排错修复 |
四、RAG 怎么工作
没有 RAG 时，模型只凭训练记忆回答；有了 RAG，流程里多出一个信息检索组件：
- 创建外部数据：把 API、数据库、文档库里训练集之外的数据，用嵌入模型转成向量，存进向量数据库，形成模型能理解的知识库。
- 检索相关信息：把用户查询也转成向量，与向量库匹配，返回最相关的片段。原文的例子是 HR 机器人——员工问「我有多少年假？」，系统会同时检索年假政策文档和该员工的历史休假记录。
- 增强提示：把检索到的内容拼进提示词，这一步靠提示工程与模型有效沟通，让模型基于「训练知识 + 新知识」作答。
- 更新外部数据：数据会过期，需要异步更新文档及其嵌入表示，可以走实时流程或定期批处理。
五、RAG 和语义搜索的区别
语义搜索是提升 RAG 效果的一环，适合想把大量外部知识接进 LLM 应用的组织。
| 传统/关键字搜索 | 语义搜索 | |
|---|---|---|
| 检索方式 | 字面匹配 | 问题映射到相关文档，返回具体文本段落 |
| 开发者负担 | 要自己处理词嵌入、文档分块等准备工序 | 知识库准备由服务完成 |
| 输出 | 搜索结果列表 | 语义相关的段落 + 按相关性排序的标记词 |
原文举的例子：问「去年在机械维修上花了多少钱？」，语义搜索返回的是相关文档中的具体文本，而不是一堆链接，开发者拿这段答案去给 LLM 补充上下文即可。
六、AWS 上的三种落地方式
| 方式 | 说明 |
|---|---|
| Amazon Bedrock 知识库 | 全托管，几次点击把基础模型接到 RAG 数据源，向量转换、检索、生成都自动处理 |
| Amazon Kendra | 机器学习驱动的高精度企业搜索，提供检索 API 与语义排序器，可作为 RAG 工作流的企业检索器 |
| Amazon SageMaker JumpStart | 想要更多自定义时用，提供基础模型、内置算法与现成方案，参考 notebook 与示例代码加速实现 |
Kendra 检索 API 的几个具体能力：单次最多返回 100 个语义相关段落（每段最多 200 个 token，按相关性排序）、提供 S3 / SharePoint / Confluence 等预置连接器、支持 HTML / Word / PowerPoint / PDF / Excel / 纯文本，并能按最终用户权限过滤文档。
小结
- RAG 不改模型，只给模型加一个「先查资料再回答」的检索步骤
- 它解决的是训练数据静态、模型过度自信带来的四类问题：编造、过时、来源不权威、术语混淆
- 流程四步：准备外部数据 → 检索相关片段 → 增强提示 → 持续更新数据
- 语义搜索与 RAG 互补，前者负责把大量非结构化知识变成可检索、可排序的段落
- 不想自建就用 Amazon Bedrock 知识库，要企业级检索用 Kendra，要深度定制用 SageMaker JumpStart
来源：本文整理自 AWS 官方页面《什么是 RAG（检索增强生成）？》，原文版权归 Amazon Web Services, Inc. 或其关联公司所有；文中观点、案例与数据均引自该页面，配图为本站自制。
版权说明
本文由 BING 撰写，采用 CC BY-NC-SA 4.0 许可协议。转载请注明作者与原文链接。
https://xbzhang.xyz/dev/posts/2026-09-17-what-is-rag/