---
title: "增強式生成（Augmented Generation）"
slug: augmented-generation
language: zh-TW
source: https://aiterms.tw/terms/augmented-generation
updated_at: 2026-06-22
tags: [RAG, 檢索增強生成, 語言模型, 向量資料庫, 幻覺, 企業AI應用]
ipas_term: false
---

# 增強式生成（Augmented Generation）

在語言模型生成過程中整合外部知識來源或工具，以提升生成內容的準確性、時效性與可信度的技術框架。

## 完整說明

增強式生成（Augmented Generation）是一類技術框架的總稱，指在語言模型的生成過程中引入外部資訊或能力來增強輸出品質。最廣為人知的具體形式是檢索增強生成（Retrieval-Augmented Generation，RAG），即在生成前先從知識庫檢索相關文件作為上下文。更廣泛的增強式生成還包括工具調用（Tool Use）、計算輔助、知識圖譜整合等多種形式，統稱為使模型「超越自身訓練資料」的方法論。

## 常見問題

### RAG（檢索增強生成）和微調（Fine-tuning）有什麼本質差異，應該選哪個？

兩者解決的問題層面不同。微調是修改模型的參數權重，適合讓模型學習特定的風格、語氣、格式偏好，或對特定領域的術語與知識有更深的理解，但更新知識需要重新訓練，且可能引入遺忘（Catastrophic Forgetting）問題。RAG 則是在推論時動態注入知識，不修改模型參數，知識更新只需更新向量資料庫，成本極低，且可以明確追溯答案來源。一般建議：若需要更新知識庫或知識會持續變動，優先選 RAG；若需要改變模型的回答風格、輸出格式或對特定任務的專業能力，考慮微調。兩者也可以結合使用。

### 增強式生成可以完全消除語言模型的幻覺問題嗎？

增強式生成能大幅降低幻覺發生率，但無法完全消除。幻覺在 RAG 系統中仍可能以幾種方式出現：檢索失敗時（相關文件未被找到），模型仍可能依賴訓練記憶生成幻覺；檢索到的文件本身包含錯誤或過時資訊，模型會「忠實地」傳播這些錯誤；模型有時會在已有上下文的情況下仍生成與上下文矛盾的陳述，這稱為「幻覺型不忠實」。要進一步減少幻覺，需要搭配回應後驗證（Response Verification）、強制引用（Citation Enforcement）、以及使用忠實度評估指標持續監控系統行為。

### 建立 RAG 系統時，Chunk 大小（文件分段大小）如何決定？

Chunk 大小是 RAG 系統中最重要的超參數之一，需要在上下文完整性與檢索精準度之間取得平衡。Chunk 太大：每個 Chunk 包含太多不同主題的內容，向量嵌入難以準確捕捉核心語意，導致檢索到的 Chunk 包含大量無關內容，消耗不必要的 Token 配額。Chunk 太小：切碎了重要的上下文連貫性，同一概念的完整解釋被拆散到多個 Chunk 中，可能導致關鍵資訊被漏檢。實踐上常用的起點是 256 到 512 個 Token 的 Chunk，並使用滑動視窗（Sliding Window）保留相鄰 Chunk 間的重疊（Overlap），典型重疊比例為 10% 至 20%。最終最佳 Chunk 大小需要針對具體應用的文件類型與查詢模式透過實驗決定。

---

來源：https://aiterms.tw/terms/augmented-generation
快查頁：https://aiterms.tw/terms/augmented-generation
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-augmented-generation