RAG知识库是什么：RAG意思、读法、搭建6步与区别对比

RAG是什么意思：检索增强生成

RAG是“检索增强生成”，指大模型在回答之前，先从外部资料里检索相关内容，把查到的内容和问题一起交给模型，再生成答案。Anthropic 的解释是：RAG 从知识库里取出相关信息，附加到用户的提示里，以此明显改善模型的回答。

这个词出自 Patrick Lewis 等人 2020 年的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》（arXiv 2005.11401），作者来自 Facebook AI Research、伦敦大学学院和纽约大学。论文把模型参数里学到的知识叫“参数记忆”，把外挂的资料索引叫“非参数记忆”：当时的做法是把维基百科切成约 2100 万段、每段 100 个词，建成向量索引，让模型先检索、再生成。

论文里有个实验能说明 RAG 的用处：研究者分别用 2016 年和 2018 年的维基百科建索引，问 82 位前后换过人的各国领导人是谁。索引和年份对得上时，正确率分别是 70% 和 68%；对不上时只有 12% 和 4%。也就是说，不用重新训练模型，换掉资料索引就能更新它“知道”的东西。

RAG是什么的缩写

RAG 是 Retrieval-Augmented Generation 三个英文单词的首字母缩写。Retrieval 是检索，Augmented 是增强，Generation 是生成。英文里也写作 retrieval-augmented generation，中文资料常译作“检索增强生成”或“检索增强生成技术”。

RAG怎么读

RAG 在海外通常按单词读，和英文单词 rag（抹布、碎布）同音，剑桥词典给的音标是 /ræɡ/。韩国 Hancom 的官方博客提到，海外读作 [rag]，韩国有人逐个字母念 [R-A-G]。两种读法同行都听得懂，跟着团队习惯就行。

这个名字并不是特意起的。英伟达官方博客采访论文第一作者 Patrick Lewis 时，他为这个“不太好听”的缩写道过歉：要是早知道这项工作会传得这么广，他们一定会在名字上多花点心思，只是写论文时谁也没想到更好的名字。

RAG知识库和普通知识库有什么区别

RAG知识库和普通知识库装的可以是同一批资料，区别在于谁来用、怎么查。AWS 对知识库的定义是“按照特定组织方式存储的结构化或非结构化信息的集合”，而 RAG 是一种用法：生成内容之前先从知识库里检索，把结果作为上下文交给模型。阿里云百炼的文档也把知识库称作 RAG 平台的核心实体，它把文档、切片、向量和索引配置组织在一起。

打个比方：普通知识库是给人翻的书架，RAG知识库是先帮模型把要看的那几页翻出来。

RAG知识库怎么搭建：6个步骤

搭一个RAG知识库通常分 6 步：前 4 步提前把资料处理好，后 2 步在每次提问时实时运行。Anthropic、AWS 和阿里云百炼文档描述的流程基本一致，下面按顺序说明每步要做什么、容易在哪出问题。

1. 整理资料：选出要让 AI 参考的文档，删掉旧版本和重复内容，每份资料写清版本日期。AWS 提醒，过时数据、重复内容混进知识库，会直接拉低回答质量。
2. 解析与切分：把 PDF、Word、网页里的文字和表格提出来，再切成小段。扣子的文档说得很清楚：分块太大，会混进不相关的信息、降低检索准确性；分块太小，又会丢掉上下文。Anthropic 介绍的常见做法是每段不超过几百个 token，阿里云百炼知识库默认的最大分段长度是 600。扫描件和复杂表格要选带 OCR 的精细解析。
3. 向量化：用嵌入（Embedding）模型把每段文字转成一串数字，也就是向量。意思相近的段落，向量也离得近。Hancom 博客举的例子是：搜“汽车维修费”，也能找到写着“车辆保养费用”的段落。
4. 建索引、存进向量库：把向量存进向量数据库，方便按语义相似度查找；最好同时建关键词索引。Anthropic 举过一个例子：用户查错误码“TS-999”，向量检索可能只找到泛泛讲错误码的段落，关键词检索（BM25）才能精确命中。
5. 检索与重排：用户提问后，系统把问题也转成向量，查出最相关的若干段，可以再用重排（Rerank）模型二次排序。Dify 的混合检索就是同时跑全文检索和向量检索，再选出最佳结果。
6. 生成并标出处：把查到的段落和问题一起交给大模型，提示里写明“只根据资料回答，资料里没有就说不知道”，并要求标出引用了哪一段。Dify 的应用里有“引用和归属”开关，可以把来源显示给用户。

搭完别急着上线。Dify 有“召回测试”，阿里云百炼有“命中测试”，都能直接输入问题看查出了哪几段。我们建议拿 20 个左右真实用户问过的问题逐个测：先看检索到的段落对不对，再看答案有没有超出这些段落。检索这一步就错了的，先改切分和索引，光改提示词很难解决。

RAG知识库搭建需要什么硬件

RAG知识库要不要买服务器，取决于你用云平台还是自己部署。用扣子、阿里云百炼这类云平台，资料传上去就行，不需要自己的服务器。自己部署开源方案时，官方给的配置是：

• RAGFlow：建议起步配置 4 核 CPU、16 GB 内存、50 GB 可用磁盘，Docker 不低于 24.0.0；开源版 1.0 的版面分析、OCR 和表格识别用 CPU 推理。
• Dify：最低 CPU 2 核、内存 4 GiB。

这两项都只是平台本身的要求。如果还要在本机运行大模型或嵌入模型，需要另外满足这些模型的资源要求，RAGFlow 的文档也是这么提示的。资料量也会影响内存：Lewis 等人的论文里，整个维基百科的向量索引放在内存里约需 100 GB，压缩后约 36 GB。

用哪个平台搭？4个常见平台对比

RAG框架和平台没有哪个绝对最好，先看你要不要写代码、资料能不能放到云上。下表只比较知识库相关的功能，信息来自各平台官方文档，核对于 2026-11-12。

怎么选：不想写代码、资料可以上云，先用阿里云百炼或扣子试；资料不能出内网，就看 Dify 或 RAGFlow；扫描件和表格多，重点测文档解析效果。要自己写代码的开发者，还会用 LangChain 这类开源库把大模型、嵌入模型和知识库串起来。

RAG和微调有什么区别

RAG 和微调的区别在于改不改模型：RAG 不动模型，回答时把查到的资料塞进提示；微调是用你的数据继续训练，改的是模型参数。AWS 的规范性指导给出的建议是：要做基于自有文档的问答，先从 RAG 开始；要让模型做汇总这类别的任务，再考虑微调。两者也可以组合使用。

还有第三种更简单的办法：资料不多时直接全部放进提示。Anthropic 2024 年 9 月写道，如果知识库小于 20 万 token（约 500 页材料），可以把整个知识库直接放进提示，不需要 RAG；资料再多，才需要 RAG 这种能扩展的方案。

RAG和向量数据库是什么关系

向量数据库是RAG知识库里的一个组件，负责存向量、按语义相似度查找，RAG 是整套“检索再生成”的做法。两者不能画等号：RAG 也可以只用关键词检索，Lewis 的论文就把向量检索换成 BM25 关键词检索做过对比，事实核查任务上 BM25 反而效果最好；Dify 的“经济”索引模式也只用倒排索引，不消耗 token。常见的向量数据库有 Milvus、Pinecone、Chroma 等，PostgreSQL 也可以装 pgvector 扩展来存向量。

RAG和大模型、智能体、工作流的关系

RAG 是给大模型配的“查资料”环节，本身不是一个模型。大模型的原理见AI大模型是什么：原理、3类模型与营销用法。在AI工作流里，RAG 通常就是那个“知识检索”节点，见AI工作流是什么：5种模式、搭建4步与平台对比；智能体则可以自己决定什么时候去查知识库，见AI智能体是什么：组成、区别对比表与5项检查。

RAG知识库有哪些局限：搜不到时仍会猜

RAG知识库能减少AI乱编，但不能保证答案一定对。常见的问题有四类：

• 该找的没找到：传统做法把文档切块时会丢掉上下文。Anthropic 举的例子是，一段只写着“公司收入比上季度增长 3%”的文字，单独看不出是哪家公司、哪个季度，很难被检索到。它的测试里（用表现最好的嵌入模型、取前 20 段），传统检索漏掉相关内容的比例平均是 5.7%，给每段补上下文并加上重排后降到 1.9%。
• 找到了也可能写出资料外的内容：模型会把检索到的资料和自己参数里的知识混在一起用。Lewis 的论文发现，在 Natural Questions 测试中，即使检索到的文档里都没有正确答案，RAG 仍有 11.8% 能答对，说明答案不全来自你的资料。资料里没有的，它也可能去猜，这就是AI幻觉，类型和减少办法见AI幻觉是什么：类型、真实案例与6个减少办法。
• 资料本身错了：知识库里的价格过期、版本混杂，模型会照着错的写。
• 不擅长通读全文：AWS 指出 RAG 汇总整份文档的效果不好，因为它每次只看查出来的几段。

成本也要算进去。以阿里云百炼为例，知识库从创建成功起按运行时长计费，删掉整个知识库才停止计费；向量化、重排和问答模型的调用另外按 token 计费，官方文档说重排费用是检索费用的主要部分。

RAG是不是过时了

RAG没有过时，适用范围变清楚了。模型能读的上下文越来越长，资料少的场景确实可以不用 RAG：Anthropic 给的分界线是 20 万 token（约 500 页）。资料超过这个量、要经常更新、要标出处时，仍然需要先检索再生成。Anthropic 2024 年 9 月发布的“上下文检索”，正是在改进 RAG 的检索这一步。

营销团队怎么用RAG知识库

营销团队用RAG知识库，主要是让AI写内容时先查自家资料，少编卖点和参数。适合放进去的资料有品牌手册、产品参数表、价格和活动规则、常见问题、过往审核通过的文案，以及不能说的话（夸大用语、未获批的功效）。

资料入库前，我们建议过一遍下面 5 项：

1. 每份资料写版本日期，新版上线就删旧版，不让两个价格同时存在。
2. 价格、活动单独一张表，到期就改，别埋在长文档里。
3. 禁用说法单列一份，写清哪些词不能用、换成什么。
4. 一份资料只讲一个产品，避免切块后张冠李戴。
5. 每份资料指定负责人，答案出错时知道找谁改。

RAG知识库能让AI有据可查，但发布前仍要人工核对数字、价格、日期和承诺。按《广告法》第四条，广告主要对广告内容的真实性负责，AI写的内容也一样。

引擎AI（Deepege）是我们自己的产品，思路和上面一致：先读你的产品手册、详情页和实拍资料，整理成一份产品档案，后面的文章、口播、视频脚本都从这份档案取材，发布前有内容诊断和用语核查。它是做营销内容的工具，不是通用的RAG搭建平台，要给客服或内部问答搭知识库，还是用上面那些平台。它适合哪些团队，见引擎AI是什么、适合谁。

参考资料（2026-11-12 核对）：Lewis 等：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（arXiv 2005.11401）、Anthropic：Introducing Contextual Retrieval、英伟达博客：What Is Retrieval-Augmented Generation aka RAG、AWS：什么是知识库与 RAG、AWS 规范性指导：比较检索增强生成和微调、阿里云百炼：创建知识库、阿里云百炼：知识库计费说明、扣子：创建文本知识库、扣子：知识库使用限制、Dify 文档：指定索引方式与检索设置、Dify GitHub、RAGFlow GitHub（中文 README）、Hancom 官方博客：What is a RAG Pipeline?、剑桥词典：rag、中国政府网：中华人民共和国广告法。

常见问题

RAG是什么意思？

RAG是检索增强生成（Retrieval-Augmented Generation）的缩写，指大模型回答之前先从知识库或外部资料里检索相关内容，再结合这些内容生成答案。这个名字出自 Patrick Lewis 等人 2020 年的论文。

RAG怎么读？

海外通常按单词读，和英文单词 rag 同音，剑桥词典音标是 /ræɡ/；也有人逐个字母念 R-A-G。两种读法同行都能听懂。

RAG和微调哪个好？

看任务。要基于自有文档问答、资料经常更新、需要标出处，先用 RAG；要让输出贴合组织风格或做汇总这类任务，再考虑微调。AWS 的建议也是先从 RAG 开始，两者还可以组合使用。

搭RAG知识库一定要买GPU服务器吗？

不一定。用阿里云百炼、扣子这类云平台不需要自己的服务器；自己部署时，RAGFlow 建议 4 核 CPU、16 GB 内存、50 GB 磁盘，Dify 最低 2 核 CPU、4 GiB 内存。要在本机运行大模型或嵌入模型，还要另外满足这些模型的资源要求。

RAG是不是过时了？

没有。资料少时可以直接把资料放进提示，Anthropic 给的分界线是 20 万 token（约 500 页）；资料更多、要经常更新或要标出处时，仍然需要先检索再生成。

延伸阅读

• AI幻觉是什么：类型、真实案例与6个减少办法
• AI工作流是什么：5种模式、搭建4步与平台对比
• AI大模型是什么：原理、3类模型与营销用法
• AI智能体是什么：组成、区别对比表与5项检查
• 引擎AI是什么、适合谁

参考资料

• Lewis 等：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（arXiv 2005.11401）
• Anthropic：Introducing Contextual Retrieval
• 英伟达博客：What Is Retrieval-Augmented Generation aka RAG
• AWS：什么是知识库与 RAG
• AWS 规范性指导：比较检索增强生成和微调
• 阿里云百炼：创建知识库
• 阿里云百炼：知识库计费说明
• 扣子：创建文本知识库
• 扣子：知识库使用限制
• Dify 文档：指定索引方式与检索设置
• Dify GitHub
• RAGFlow GitHub（中文 README）
• Hancom 官方博客：What is a RAG Pipeline?
• 剑桥词典：rag
• 中国政府网：中华人民共和国广告法