作为一种新兴的AI工具，正在逐渐走进人们的视野。RAG（Retrieval-Augmented Generation，检索增强生成）它结合了检索和生成的能力，能够快速从海量资料中提取信息，并生成准确且生动的答案。

今天看了RAG的文章介绍，算是给自己科普，惯例，输出倒逼输入，讲讲对RAG的理解。

01 什么是RAG？

RAG是一个检索增强生成工具，他就像是开卷考试的天才，当你问他一个问题，他不是死记硬背，而是快速检索资料，然后再结合资料生成答案。这个答案的内容也会进行润色，让内容更生动，更有逻辑。

02 RAG的思考步骤

1.查资料

当我们提了一个问题后，他会从海量的资料中进行检索，当然，这里的前提是公开的资料。

2.整理重点

海量的资料很杂很乱，而且可能还有一些无效信息，那就需要进行去伪存真，进行规整。

3.生成回答

利用规整好的资料，再调用大模型的能力，把资料整理成流畅的内容的回答。

03 为什么比普通AI更聪明

普通的AI像是闭卷考试，知识不会更新，模型训练完后，知识就定型了，但是RAG不会，随时都会调取最新的数据。

普通AI容易瞎编，但是RAG基本上能够引用真实的文章，并且还会说明出处。

RAG可以支持你只需要引用一部分的知识库，比如法律相关、公司内部知识库。这样更有针对性，更符合我们的实际要求。

04 RAG的应用场景

未来大部分公司都会引用RAG知识库，我们可以把企业的数据和AI结合起来。这样，当问一个非常有针对性的问题，就可以很方便的调用内部的知识库，得出较为精准的回答。

像现在经常用的飞书，你问一个问题，他很快能够结合过往的聊天记录、文档等信息，给你生成较为准确的回答。

但是现在的RAG还不是很成熟，存在召回率低、准确率不高的问题。

可能还需要不断升级迭代整体的技术能力，但不管怎样，RAG是以后所有AI应用企业必备的工具，大部分的产品经理都要懂RAG。

未来没有AI产品经理的说法，人人都是AI产品经理，因为AI就像水煤电一样，融入工作生活的方方面面。