RAG（检索增强生成）是让语言模型在回答前，先到外部资料库或搜索里取回相关内容，再依据取到的材料来生成答案的一种方法。它要解决的，是模型只靠训练记忆容易编造、又看不到最新信息和你私有资料的问题。
一句话定义
RAG 就是”先检索、再生成”。模型收到问题后，会先从指定的资料来源里找出相关片段，把这些片段连同你的问题一起送进模型，再让它照着材料写回答。检索那一步决定了答案的事实依据，生成那一步只负责组织语言。
一个例子
想直观看到 RAG 的样子，可以打开 Perplexity：你问一个问题，它先去检索网页、把来源列在答案旁边，再据此生成带引用的回答，这正是”检索加生成”的完整流程。要注意的是，有引用不代表来源本身可靠、结论就没错；它给出的摘要也可能漏掉原文的适用范围和前提条件。所以它适合帮你快速搭起一张资料地图，但真正做决定前，那些引用仍要你逐一点开、自己评估。
和相近概念的区别
RAG 和微调（fine-tuning）最大的区别，在于知识放在哪里：微调是把知识写进模型权重，要换知识就得重新训练；RAG 是在回答的当下才把资料临时喂给模型，换一批资料不用动模型本身。和只靠训练记忆直接作答的普通用法相比，RAG 多了检索这一步，答案因此能挂靠在可查的来源上，而不是全凭模型记得多少。
什么时候用得上
当你的答案依赖会变动的、私有的、或需要给出处的资料时，RAG 就派得上用场，比如查最新政策、问公司内部文档、写需要引用的调研。RAG 里负责”生成”的那部分，本质就是一个语言模型；想感受不同开源模型在没有检索兜底时会怎么答，可以在 HuggingChat 里挨个试。也正因为这些模型生成的内容可能不准确，才需要 RAG 这种给模型补资料的做法。用它时记住两条边界：模型清单会变、部分模型访问还取决于账户方案；涉及敏感资料和高风险结论时，检索来了也不能省掉人工复核。
