# 检索增强生成（RAG）

> 一种模式：从知识来源中检索相关段落并放进提示词，让模型依据这些段落作答。

来源：Promptea — https://www.promptea.me/zh/glossary/retrieval-augmented-generation · 语言：简体中文 · 最后更新：2026-11-09

## 含义

- 定义：系统不依赖模型在训练中记住的内容，而是先搜索你的文档（或网络），挑出最相关的段落，作为上下文插入提示词。
- 为什么重要：回答可以使用模型从未见过的最新信息或私有信息，你还能展示每个论断由哪个段落支撑，从而更容易发现错误。
- 如何应用：给检索到的段落加上标签，告诉模型只根据这些段落作答、段落中没有答案时要说明，并注明用了哪个段落。段落要简短、相关——文本越多并不越好。
- 常见错误：以为有了检索就万事大吉。如果搜索返回了错误的段落，模型就会自信地根据错误的材料作答，所以要把检索和生成分开测试。

## 示例

```text
只使用下面编号的段落回答问题。
在每个论断后注明段落编号，例如[2]。
如果这些段落中没有答案，就直接说明并停止。

<passages>
[1] [粘贴段落]
[2] [粘贴段落]
</passages>

问题：[你的问题]
```

[在Promptea中打开](https://www.promptea.me/zh/analyzer?prompt=%E5%8F%AA%E4%BD%BF%E7%94%A8%E4%B8%8B%E9%9D%A2%E7%BC%96%E5%8F%B7%E7%9A%84%E6%AE%B5%E8%90%BD%E5%9B%9E%E7%AD%94%E9%97%AE%E9%A2%98%E3%80%82%0A%E5%9C%A8%E6%AF%8F%E4%B8%AA%E8%AE%BA%E6%96%AD%E5%90%8E%E6%B3%A8%E6%98%8E%E6%AE%B5%E8%90%BD%E7%BC%96%E5%8F%B7%EF%BC%8C%E4%BE%8B%E5%A6%82%5B2%5D%E3%80%82%0A%E5%A6%82%E6%9E%9C%E8%BF%99%E4%BA%9B%E6%AE%B5%E8%90%BD%E4%B8%AD%E6%B2%A1%E6%9C%89%E7%AD%94%E6%A1%88%EF%BC%8C%E5%B0%B1%E7%9B%B4%E6%8E%A5%E8%AF%B4%E6%98%8E%E5%B9%B6%E5%81%9C%E6%AD%A2%E3%80%82%0A%0A%3Cpassages%3E%0A%5B1%5D+%5B%E7%B2%98%E8%B4%B4%E6%AE%B5%E8%90%BD%5D%0A%5B2%5D+%5B%E7%B2%98%E8%B4%B4%E6%AE%B5%E8%90%BD%5D%0A%3C%2Fpassages%3E%0A%0A%E9%97%AE%E9%A2%98%EF%BC%9A%5B%E4%BD%A0%E7%9A%84%E9%97%AE%E9%A2%98%5D&purpose=text&target=claude)

## 常见问题

### RAG和微调（fine-tuning）是一回事吗？

不是。微调会改变模型的权重；RAG不改动模型，改变的是它在提示词中读到的内容。RAG是为模型提供最新或私有事实的常用方法。

### 基于搜索的助手也用RAG吗？

它们遵循同样的思路：先搜索，再根据找到的内容作答并给出来源。Perplexity的模型等原生就这样做，所以你的提示词应该引出一次好的搜索，而不是把来源粘贴进去。

## 相关内容

- [Prompts for Perplexity: grounded answers from the web](https://www.promptea.me/zh/guides/perplexity-prompt-guide)
- [Context engineering: how to structure what you give an AI for better outputs](https://www.promptea.me/zh/guides/context-engineering)
- [如何调试输出不理想的提示词](https://www.promptea.me/zh/guides/prompt-debugging)
- [幻觉（Hallucinations）](https://www.promptea.me/zh/glossary/hallucinations)
- [上下文窗口（Context window）](https://www.promptea.me/zh/glossary/context-window)
