在模型回答之前，RAG 做了什么？

从你的文件里找出相关片段，放进提示词. 没有人重新训练模型。程序找出意思相近的片段放进提示词，模型根据它们来回答。

你问“论文什么时候交？”，却找到了“作业提交截止”这一段。为什么？

意思相近的文字，嵌入点也靠得近. 嵌入用数字描述意思。说同一件事的问题和段落在地图上挨得很近，即使用词不同。

点开出处 [1]，找到那句原话. 搜索可能找错片段，模型也可能复述错。核对出处只要一分钟。

“AI 入门”课程第 15 课，共 23 课。免费，有动画和小测验。

模型只知道训练文本里有的东西。你的课堂笔记、打工的规章、学校发的 PDF，它都没见过。问它某门课的截止日期，它只能瞎猜。RAG（简单说：先查找，再回答）这样解决：程序先在你的文件里找到相关的那一段，模型再根据这一段回答。图里就是这个过程：提问、搜索、找到的片段、带出处标记的回答。

文档会先被切成小段，比如一段一个。每一段都被转换成嵌入（embedding）：一串描述意思的数字，就像地图上一个点的坐标。你的问题也变成一个点。搜索会挑出离问题最近的那些点对应的片段。所以“论文什么时候交？”能找到“作业提交截止：五月底”这一段，虽然用词不一样。

接下来，应用会把找到的片段直接放进提示词（prompt，也就是发给模型的请求文字）里，和你的问题放在一起。它还会加一句指令：“只根据这些文字回答，并标明出处”。模型写出回答，并加上像 [1] 这样的标记：表示这个意思来自第几段。这些都在幕后完成，你看到的只是带出处的回答。

为什么编得少了：模型是在复述眼前的文字，而不是凭记忆回想。为什么不是零：搜索可能找错片段，比如旧版的规定。需要的片段也可能根本不存在，这时模型会自己把空补上。它还可能把两段内容混在一起，或者把表格读错。小技巧：加一句“如果文档里没有答案，就直接说没有”。

和 PDF 聊天：上传一本教材或一份租房合同，然后提问。公司的客服机器人：按公司内部规定回答，而不是凭记忆。AI 搜索：模型先找到网页，再写出带链接的回答。套路都一样：找片段，放进提示词，带出处回答。一句话：RAG 就是在模型回答前塞给它的一张小抄。

[1] 这样的标记不是保证。有时链接指向的片段说的是别的事，或者模型复述错了。在重要的一步之前（交作业、签合同、花钱），点开出处，找到那句原话。对得上？很好。找不到？就把这个回答当成猜测，并问模型这句话具体写在哪里。

在模型回答之前，RAG 做了什么？
正确答案: 从你的文件里找出相关片段，放进提示词. 没有人重新训练模型。程序找出意思相近的片段放进提示词，模型根据它们来回答。
你问“论文什么时候交？”，却找到了“作业提交截止”这一段。为什么？
正确答案: 意思相近的文字，嵌入点也靠得近. 嵌入用数字描述意思。说同一件事的问题和段落在地图上挨得很近，即使用词不同。
文档机器人的回答带着 [1] 标记。做重要决定前该怎么办？
正确答案: 点开出处 [1]，找到那句原话. 搜索可能找错片段，模型也可能复述错。核对出处只要一分钟。