---
title: "檢索增強生成（Retrieval-Augmented Generation）"
slug: retrieval-augmented-generation
language: zh-TW
source: https://aiterms.tw/terms/retrieval-augmented-generation
updated_at: 2026-04-29
tags: [生成式AI, 自然語言處理, 大型語言模型, 知識圖譜]
ipas_term: true
---

# 檢索增強生成（Retrieval-Augmented Generation）

> **你問 AI 一個公司制度問題時，會不會希望它先去查資料，再回答你？**
>
> 你可以把 RAG 想成先翻書再作答的助理，先找資料，再把資料整理成答案。
>
> 它重要是因為大模型不一定記得最新資訊，RAG 可以把外部知識接進來，減少幻覺。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 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。
>

### iPAS 考題

> **Q：iPAS 常怎麼考 RAG？**
> A：常考它的流程、跟 Fine-tuning 的差別，以及它如何降低幻覺。
>

### 常見問題

> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>

### 相關術語

> - **大型語言模型**：RAG 最常被拿來加強大型語言模型。
> - **自然語言處理**：自注意力和關係抽取都屬於它的核心範圍。
> - **嵌入表示**：檢索系統多半靠它做語意表示。
> - **轉換器架構**：很多現代檢索和生成模型都建立在它上面。
> - **提示工程**：RAG 的提示設計和它很有關。

---

來源：https://aiterms.tw/terms/retrieval-augmented-generation
快查頁：https://aiterms.tw/terms/retrieval-augmented-generation
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-retrieval-augmented-generation