檢索增強生成（Retrieval-Augmented Generation (RAG)）是什麼？
檢索增強生成（RAG）是先檢索相關資料、再讓語言模型依據這些資料生成答案的技術。這個名稱來自 Patrick Lewis 等人 2020 年發表的論文。它能讓模型引用最新或內部文件，減少憑空編造。
模型技術RAGRetrieval-Augmented Generation檢索增強搜尋增強生成知識庫問答
一句話說明
先從資料庫或文件中找出相關內容，再交給語言模型根據這些資料回答的技術。
檢索增強生成怎麼運作？
- 把公司文件、網頁等資料切成小段，轉成嵌入向量存進向量資料庫。
- 使用者提問時，把問題也轉成向量，找出意思最接近的幾段資料。
- 把找到的資料和問題一起放進提示詞交給模型。
- 模型根據這些資料作答，並可附上出處。
實際例子
- 企業內部問答機器人，依據員工手冊回答請假規定。
- 客服系統查產品說明書後回覆顧客問題。
- AI 搜尋服務先搜網頁、再整理成附來源的答案。
常見誤解
誤解：用了 RAG 就不會出現 AI 幻覺。
事實：RAG 能降低幻覺，但若檢索到錯誤或不相關的資料，模型仍可能答錯或誤解。
事實：RAG 能降低幻覺，但若檢索到錯誤或不相關的資料，模型仍可能答錯或誤解。
誤解：RAG 會把資料訓練進模型裡。
事實：RAG 不改變模型本身，資料只是在回答當下被放進上下文；把知識寫進模型參數的是微調。
事實：RAG 不改變模型本身，資料只是在回答當下被放進上下文；把知識寫進模型參數的是微調。
常見問題
RAG 和微調應該怎麼選擇？
資料常更新、需要附出處或資料量大時，通常先用 RAG；想改變模型的語氣、格式或特定任務表現時才考慮微調。兩者也可以搭配使用。
做 RAG 一定要用向量資料庫嗎？
不一定。向量資料庫適合依「意思相近」搜尋，但也可以用傳統關鍵字搜尋、全文檢索或兩者混合。重點是能在回答前找到正確、相關的資料。
延伸閱讀
相關名詞
嵌入向量與向量資料庫、大型語言模型、AI 幻覺、微調、上下文視窗
參考來源
查核日期：2026-09-26。API：/api/term?id=rag