面试官：什么是RAG？为什么大模型要先“查资料”，再回答问题？
一、标准答案参考
Retrieval-Augmented Generation：RAG全称检索增强生成，就是让大模型在回答问题前先去“查资料”（检索），相当于让它开卷考试：模型本身可能没学过公司的内部文档，但只要把相关内容找出来给它，它就能结合这些资料给出靠谱的答案（生成）。
二、扩展追问
1、为什么需要RAG？
答：大模型本身只有它训练时见过的知识，如果问它“你们公司差旅报销流程是什么”，它肯定答不上来，因为它根本没见过你们的制度文件（不了解私域知识）。如果硬要它回答，大概率就是瞎编。解决这个问题的直观思路：把相关资料喂给它不就行了，这就是RAG的核心逻辑，关键是如何做到“精确投喂”，只把问题最相关的知识检索出来给大模型。
三、RAG的完整流程
RAG整体分两大块：先把知识建立索引，然后检索生成，下面将详细讲述这两步的流程。
1、第一块：建立索引
这一步相当于考试前做的准备工作：把参考资料整理好、做好标记，方便到时候快速翻到需要的地方，具体四个环节如下图所示：
- 文档解析
把各种格式的文档（PDF、Word、网页啥的）转成纯文本，就像人在看书的时候，眼睛接收到的是图像，脑子里转化成了文字信息。
- 文本分段
一本书几百页，不可能每次答题都从头翻到尾，所以要先切成小块，每块就是一个“文本段（chunk）”，后面检索的时候才能快速定位。
- 文本向量化
对于计算机来说，其实并不真正理解文字的语义，所以要用Embedding模型把每段文字转成一串数字（向量），而完成转换后，语义相近的文本，对应的向量在空间上也会比较接近。打个比方，“我喜欢吃苹果” 和 “我爱吃苹果”这两个句子，转成向量后距离（计算距离有多种方法，常用余弦相似度）就很近，但跟“今天天气不错”的向量距离就远。
- 存储索引
这一步是把这些向量存到向量数据库里，等到下次有相似的问题需要“查资料”时，直接去库里查就行，不用每次都重新处理一遍文档。
第二块：检索生成
上面是属于准备工作，接下来就是正式“答题”环节，主要有两步：检索和生成，流程如下图所示。
- 检索
对于用户的问题（query），系统先把这个问题也转成向量，然后去向量数据库里找——哪些文本段跟这个问题最像？把最相关的几段文本找出来。
这一步特别关键，就像开卷考试，你要是翻到了错误的章节，那么后面答题肯定跑偏。所以业界会用各种手段提升检索质量，比如重排（rerank）、混合检索、query改写之类的检索技巧。
- 生成
找到相关资料后，系统会把这些内容跟用户问题组装成一个完整的Prompt，交给大模型生成答案，Prompt大概长这样：> 请根据以下信息回答用户的问题：{召回的文本段}。用户的问题是：{用户问题}。
这时候大模型干的活主要是“阅读理解+总结”，而不是靠自己的知识硬答，回答也更有依据、更准确。
四、总结
RAG的本质就是给大模型配了个“资料查询”，模型自己不知道的东西，先去知识库里查，查到了再回答，再次总结一下核心流程：
- 事先把文档切段、向量化、存好
- 有问题来了，先检索相关段落
- 把段落和问题拼成Prompt，让模型生成回答
RAG流程说起来简单，但是在真正的工程落地中，每个环节都有讲究：例如文档怎么切、Embedding模型选哪个、检索策略、检索后要不要重排、Prompt怎么写……这些细节决定了最终效果的好坏，后续我会分享这些问题在真实场景中的解决方案。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～