RAG检索增强生成只是起步，真正的智能问答=强化学习+大模型（各类型）， 实现智能调度，SELF-RAG（自反思）。

RAG检索增强生成是近期几个大模型应用方向上 最难下笔的一个：

• 一方面是因为技术方案仍在快速迭代；
• 另一方面是市场对它的认知还存在一定偏差。

目前市场认为：chatBI（让大模型做数据查询和分析）很有用但是有难度；Agent（让大模型自助规划任务实现用户复杂的需求）虽然很酷炫，但是落地的应用少，不够成熟。

而对于 RAG，企业都很明确它的价值，并且技术实现上，一顿组合拳疯狂输出（文本切割 + 向量数据库 + 大模型）就能解决问题，是企业落地的不二之选。

事实真的是这样吗？这篇主要来记录一下我们在 RAG 方向有限的场景中遇到的问题及思考过程，抛砖引玉。

1.RAG检索增强 快速解读

全称 Retrieval-Augmented Generation，检索增强生成。

举个例子，比如我作为员工，直接问大模型：

提问：『 我们公司几点下班？』

大模型在没有见过我们公司《[员工手册])》的情况下（事实上，企业私有数据一般不会被大模型的参数所覆盖），几乎回答不正确，RAG 的能力在于能够让大模型结合企业[私有数据]，完成特定领域的知识问答。RAG 把这类问题拆成两个步骤：

• 第一：基于用户的提问，到《员工手册》里找到最相关的 N 个内容片段；<