解析:
RAG 的標準流程是:使用者提問 → 將問題轉為向量 → 在向量資料庫中檢索最相關的文件片段 → 將檢索結果和原始問題一起送給 LLM → 生成有根據的回答。
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。|本頁含完整原理、應用場景、iPAS 考試重點與 2 個常見問答。
搜尋意圖: 如果你在找「檢索增強生成 是什麼」、「檢索增強生成 會怎麼考」或「檢索增強生成 和相近概念差在哪」,先看這頁的定義、考點定位與延伸比較。
TL;DR: 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。
實用情境: 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步: 先讀完定義,再往下看範例考題與延伸比較,把概念轉成可作答的判斷。
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(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 屬於 高頻 範圍,建議和相關概念一起複習,而不是只背單一名詞定義。
常見一起複習的方向包含:RAG 架構與流程、RAG 與微調比較、RAG 應用場景。
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。
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。
RAG 的標準運作流程,下列哪個順序最正確?
解析:
RAG 的標準流程是:使用者提問 → 將問題轉為向量 → 在向量資料庫中檢索最相關的文件片段 → 將檢索結果和原始問題一起送給 LLM → 生成有根據的回答。
企業想讓 AI 助手能回答內部最新的產品文件問題,最適合的技術方案是?
解析:
RAG 最適合此場景,因為企業內部文件會持續更新,RAG 可即時檢索最新內容而不需重新訓練模型。微調需要花費時間和算力,且每次文件更新都要重新微調,不符合「最新」的需求。
想測試你對 檢索增強生成 的掌握程度? 開始模擬考