檢索增強生成 是什麼？

Retrieval-Augmented Generation — 檢索增強生成 的完整解釋

RAG（檢索增強生成）讓 AI 回答問題前先查詢外部知識庫，再結合查到的資料生成答案，大幅減少幻覺、提升回答準確性。

容易混淆

RAG vs Fine-tuning

RAG 是回答時先檢索再生成 Fine-tuning 是先把模型參數訓練成特定風格或能力 最關鍵的區別是外部知識放在哪裡。

RAG vs 一般搜尋

RAG 會把查到的內容再用模型整理成完整回答 一般搜尋只把相關文件列給你看 最關鍵的區別是有沒有生成能力。

記住這句就好

先查再答，RAG 才比較不會胡說。

實際案例

企業客服 員工問報銷規則時，系統先從內部文件檢索，再用 LLM 整理成易懂回答。

法規問答 當法規更新很快時，RAG 可以先抓最新條文，再產出較準確的摘要。

算法與應用

典型流程是問題向量化、檢索候選、重排序、把片段塞進提示詞再生成。 RAG 的價值不只在答得像人，更在於能把答案和來源一起帶出來。 如果檢索品質差，生成再強也會答歪，所以檢索層很重要。

情境判斷

Q1（直覺題）：模型回答前先去內部知識庫找資料，再整合成答案，這是什麼？

→ 這就是 RAG。

Q2（判斷題）：RAG 既然會檢索外部知識，還會不會答錯？

→ 還是會。只要檢索到錯資料、片段切分不好或上下文放錯，答案就可能偏掉。

檢索增強生成 在 iPAS 考試中的重點

根據歷年統計，檢索增強生成 相關題目 平均佔 AI 技術類考題 8%， 屬於高頻考範圍。

常見出題方向：提示詞設計原則與框架（45%）、RAG 與 AI 工具整合（35%）、提示詞優化策略（20%）。

常見問題

RAG 是什麼？

A：就是先檢索外部資料，再把資料交給模型生成答案。

RAG 和 Fine-tuning 差在哪？

A：RAG 改的是回答流程，Fine-tuning 改的是模型參數。

RAG 怎麼減少 AI 幻覺？

A：因為模型有機會依據外部來源作答，不必只靠自己記憶。

RAG 適合哪些場景？

A：適合文件多、知識常更新、而且需要可追溯來源的場景。