让它读你自己的资料
它不知道你的东西。RAG 解决的就是这件事：先翻书，再答题。这一页有一个你现在就能做的土办法。
先看问题
它不知道你的东西。你的文件、你的项目、你公司的规矩，它一个字都没读过。
- 01直接贴进去：最简单，适合一次性的活。缺点是材料不能太长
- 02微调：把资料喂进去重新训练一个模型。贵、慢、不好改
- 03检索增强：资料放着不动，用的时候现查现贴。这就是 RAG
- 04日常九成的情况，用第三种就够
RAG 全名 Retrieval-Augmented Generation，检索增强生成。名字吓人，道理很土：先翻书，再答题。
它怎么工作，四步
不用懂实现，知道有这四步就行。
切成小块
把你的文档切成一段一段，每段几百字。太长了塞不进去。
变成向量
每段变成一串数字。意思越近，数字越近。
按意思找
你提问，它把你的问题也变成数字，去找最接近的那几段。
第四步才是关键
找到了不等于答对了。
把那几段贴进上下文，然后加一句约束：「只根据这几段回答，材料里没有的就说没有」。
没有这句约束，它会把找来的材料和自己的记忆混着用。混着用，你就分不清哪句是有出处的。
为什么它比直接问靠谱
因为答案有了出处。
没有 RAG
它凭记忆答
记忆里的东西可能是错的、过时的，或者压根没有。它照样答。
有了 RAG
它照着材料答
答错了，你能看出是材料错，还是它读错。这就是可追溯。
你自己就能做一个土办法 RAG
不用装任何东西。
把材料贴进去01
打开豆包或者 DeepSeek，把你那份文档、那份合同、那份说明书整个贴进去。
加一句限制02
「只根据我贴的这份材料回答，材料里没有的，直接说没有。」
然后提问03
它答的每一句，你都回材料里对一下。对不上的，就是它没照做。
这就是 RAG 的雏形04
区别只在于：真正的 RAG 是自动去找那几段，你是手动贴进去的。
什么时候不该用 RAG
不是所有事都值得搭一套。
- 材料就一页纸，直接贴，不用搭
- 你要的是创作而不是问答，用不上检索
- 材料本身是错的，RAG 只会把错的东西答得更自信