RAG 與知識庫

RAG 檢索增強生成是什麼？讓 AI 先查資料再回答

2026/8/28酒Ann1,201 字約 4 分鐘

RAG（Retrieval-Augmented Generation，檢索增強生成）是讓 AI 先查資料再回答的做法。使用者提問後，系統先到外掛的知識庫裡檢索相關內容，把撈到的段落連同問題一起送給模型，模型再根據這些材料生成答案，並附上來源引用。它的價值在於答案有依據、可追溯，而且知識庫更新後回答就立刻跟著更新，不必重新訓練模型。這是目前降低幻覺最實用的一套架構。

RAG 檢索增強生成是什麼？讓 AI 先查資料再回答

問 AI 「我們公司出差報銷上限多少」，它不可能知道，因為那份規定只存在你們的雲端硬碟裡。硬問就會得到編造的數字。

RAG 就是幫它把那份文件先找出來再作答。這是企業導入 AI 最常走的第一條路。

你將學到什麼

定義

先從外部知識庫檢索相關內容，再讓模型根據這些內容生成答案。

白話比喻

開書考。不要求背起來，但要求你翻到那一頁再作答，還要註明頁碼。

五個步驟

提問、檢索、增強、生成、附上來源引用。

最大好處

知識庫一改，回答立刻跟著改，不用重新訓練模型。

定義

RAG 是結合外部知識庫的生成方式，讓回答更準確、可追溯、有依據。它不改模型，只改模型手上拿到的材料。

流程是五步：使用者提問、在知識庫中檢索相關內容、把檢索到的內容加進問題裡、模型據此生成答案、附上來源引用方便追溯。

白話比喻

像一場開書考。老師不要求你把整本背起來，但要求你翻到正確那一頁再作答。

而且答案卷上要寫「這題出自第幾頁」。翻對頁的人答得又快又準，翻錯頁的人照樣會寫錯，這也是檢索品質決定一切的原因。

知識庫是怎麼建起來的

步驟	做什麼
資料擷取	從文件、網頁、資料庫、雲端硬碟等來源取得原始資料
資料清理	去除雜訊、統一格式
切片分段	把內容切成一小段一小段
向量化	把文字轉成向量表示
建立索引	存進向量資料庫供檢索

實際用例

常見場景包括企業內部知識問答、文件與報告分析、客服與技術支援、研究與市場情報、教育與學習輔助。共同特徵是資料是你自己的、會變動、而且不能答錯。

做得好的幾個關鍵：持續更新知識庫、設定適當的切片策略、調整檢索參數平衡召回率與精準度、提供清楚的來源引用、持續監控效果。跟微調的取捨可以看知識庫 RAG 跟模型微調的差別。

常見誤解

最常見的誤解是以為 RAG 讓模型「學會」了你的資料。它沒有學，只是每次臨時把資料翻給它看，關掉知識庫就什麼都不知道。

第二個誤解是把 RAG 當成搜尋引擎的替代品。它的強項是把找到的內容整理成答案，找得對不對仍取決於檢索那一段，那一段做不好，後面全白做。相關概念可以看 Grounding 資訊錨定。

本文源起本文內容出自酒Ann 的「AI 實戰陪跑班」課程教材，由酒Ann 編寫成彙編條目。想系統性搞懂 AI 名詞，歡迎追蹤酒Ann 的 Facebook。

延伸學習

ChatGPT 很強，但真正讓你下班的是 Google

六小時完整實錄。從「AI 很厲害，為什麼你還是每天加班」這個問題出發，把 Google Workspace 當成真正的工作平台重新設計一次流程 ── Sheets 的資料結構、Drive 與 Docs 的文件流、Gmail 與 Calendar 的通知系統，再用 Apps Script 讓它自己跑起來，最後收斂成一張屬於你自己的 AI 工作能力地圖。

NT$ 4,599

寫給升國一的你的筆記術

寫給剛升上國中的你：筆記不是寫給老師看的，是寫給考前的自己看的。18 章 85 課圖文，從「為什麼要寫」講到七科各自怎麼記，附 78 份可以印出來寫的練習單，以及 80 課家長專區與 34 張三年筆記養成路徑圖。沒有閱讀期限，國一買、國三還在。

NT$ 3,599

把這篇文章分享給需要的人Facebook LINE Threads X

常見問答

RAG 跟微調差在哪？

微調是把知識練進模型的參數裡，改一次要重跑訓練，成本高但推論時不必另外查資料。RAG 是把知識放在外面，用檢索的方式即時取用，改資料只要改文件。要教模型「怎麼講話」用微調，要它「知道什麼事實」用 RAG。

有了 RAG 就不會有幻覺嗎？

會少很多，但不是零。如果檢索沒撈到對的段落，模型手上材料不足時仍可能自己補。所以除了 RAG，還要設計好切片策略、調整檢索參數，並要求它在找不到依據時直接說沒有，而不是硬答。

為什麼要先把文件切片？

因為一次能塞進模型的內容有限，而且整份文件丟進去會讓相關度被稀釋。切成小段落之後，檢索才能精準命中你要的那一段。切太碎會失去上下文，切太大又不精準，這個平衡是做 RAG 最需要調的地方。