RAG 是一種結合資訊檢索與文本生成的技術框架,讓大型語言模型能即時查詢外部知識庫,產出更準確、可溯源的回答。
檢索增強生成 的完整說明
檢索增強生成(Retrieval-Augmented Generation, RAG)由 Meta AI 於 2020 年提出,目的是解決 LLM 的知識過時和幻覺問題。RAG 的運作流程分為三步:首先將使用者的提問轉換為向量(Embedding),然後在外部知識庫中檢索最相關的文件片段,最後將檢索結果與原始提問一起傳給 LLM 生成回答。這種做法讓 LLM 能存取訓練資料之外的最新資訊,且回答可附上來源引用,增加可信度。RAG 已成為企業部署 AI 助手的主流架構,因為它不需要重新訓練模型就能整合企業內部知識。
檢索增強生成 在 iPAS 考試中的重點
根據歷年統計,檢索增強生成 相關題目 平均佔 AI 技術類考題 10%, 屬於高頻考範圍。
常見出題方向:RAG 架構與流程(45%)、RAG 與微調比較(30%)、RAG 應用場景(25%)。
閱讀這頁時的常見誤區
只背中英文對照,無法判斷術語的適用情境。先確認定義,再對照完整說明與相關概念,頁面中的考試比重或出題方向,必須和下方標示的資料來源一起閱讀。
相關術語
先理解這些
- 大型語言模型(Large Language Model (LLM))
RAG 搭配 LLM 使用
常與之比較
- 微調(Fine-tuning)
微調是 RAG 的替代方案之一
常見問題
RAG 如何解決 LLM 的幻覺問題?
RAG 讓 LLM 根據檢索到的真實文件內容來回答問題,而非僅依賴訓練時記憶的知識。這大幅降低了模型「瞎編」的機率,且回答可附上來源文件供使用者驗證。
RAG 的技術挑戰是什麼?
主要挑戰包括:1. 檢索品質直接影響回答品質;2. 文件分割(Chunking)策略影響檢索精準度;3. 向量資料庫的選擇和優化;4. 檢索結果與 LLM 上下文窗口的長度限制。
資料來源
- AITerms.tw 術語資料庫,最後更新:2026-04-01。
- iPAS AI 應用規劃師評鑑內容範圍參考(115.02) ,經濟部產業人才能力鑑定