你可能会说
帮我配置RAG，让 AI 的效果更好。
让 AI 先从你的资料库里「检索」相关内容，再基于检索结果回答。
让 AI 先从你的资料库里「检索」相关内容，再基于检索结果回答。这样 AI 就能回答关于你私有文档的问题，而不只是靠训练时的记忆。
生活类比
像开卷考试——AI 不用全靠脑子记，允许它翻你的笔记本（资料库）再作答。
🎮 动手试试
关于「RAG」，以下哪个描述最准确？
你可以这样告诉 AI
我把公司产品手册和 FAQ 文档给你，帮我搭一套 RAG 流程：用户提问时先从文档检索相关内容，再基于检索结果回答问题。
RAG 在推理时实时检索外部知识再回答（开卷考试），微调是提前把知识「刻」进模型参数里（背书）。RAG 更灵活易更新，微调更稳定可控。
基于私有文档问答
公司有内部手册、产品文档需要让 AI 基于它们回答时，用 RAG 检索加生成比微调更灵活、成本更低。
和 AI 协作时
告诉 AI「用 RAG 方式，先检索项目里的 design.md，再基于它帮我写新页面的实现方案」。
通用知识问答
问「什么是 RESTful API」这种 AI 训练数据里已经有的知识，直接用 LLM 回答就行，RAG 多此一举。
没有私有数据的项目
个人博客、作品集网站等没有专属文档库的项目，RAG 完全没有用武之地。
让 AI 先从你的资料库里「检索」相关内容，再基于检索结果回答。这样 AI 就能回答关于你私有文档的
像开卷考试——AI 不用全靠脑子记，允许它翻你的笔记本（资料库）再作答。
和 AI 沟通时提到「接入你的文档做 RAG」，就是让它能基于你的资料回答问题。