RAG 检索增强生成

Retrieval-Augmented Generation

AI 编程也叫：RAG、检索增强、知识库问答、向量检索

一句话：先从资料库检索出和问题相关的内容，再放进提示词让模型参考作答，以减少编造、用上最新或私有的资料。

详细解释

RAG 像开卷考试：模型不全靠「记忆」答题，而是先去资料里翻到相关的几页，再结合这几页作答。比如做一个根据公司文档回答问题的客服，会先把文档切成小段存起来，用户提问时检索出最相关的几段，再交给模型。

它和上下文窗口的关系：上下文窗口是模型一次能看到的内容上限；RAG 解决的是「资料太多放不下，只挑相关的放进去」。AI 编程工具给项目建立代码索引、按需找相关文件，也是类似思路。

大部分时候你不用自己搭 RAG。只有要做「基于大量私有资料问答」的产品功能时，才需要了解向量数据库、切分、检索这些细节。

可以直接贴给 Cursor、Claude Code 等工具，把里面的业务内容换成你自己的。

我想在网站里做一个帮助中心问答功能，资料是 30 篇 Markdown 帮助文档。请先用简单的话说明 RAG 方案由哪几部分组成，和直接把全部文档放进提示词的做法对比一下，按这个资料量推荐一种，再开始写代码。