RAG
中级通用
RAG（检索增强生成）是在回答问题前，先从指定资料中检索相关内容，再交给模型组织答案的方法。它让 AI 能利用未写进模型参数的产品文档，例如根据最新版帮助中心回答用户问题。
你可能会说：「我想让客服 AI 查我们自己的帮助文档再回答用户，文档更新后也能用上新内容。」
动手看看询问会员退款入口
1
用户问会员退款入口在哪里。检索器先接住问题，不让模型直接凭记忆猜。
要点RAG 是怎样把资料用进回答里的？
- 1
先把资料整理成可检索的内容
我们可以把帮助文档、操作手册等资料切成片段，并记录标题、版本等信息。这样用户提问时，系统才有机会找到对应段落，而不是把整套文档都塞给模型。
- 2
按问题找资料再生成回答
用户问「怎么取消订阅」时，系统先检索相关片段，再把问题和片段一起交给模型。检索可以用关键词、语义匹配或两者结合；模型负责读懂材料并组织回答。
- 3
答案仍要核对来源和权限
检索到资料不代表答案一定正确：可能找错段落，也可能把过期说明当成现行规则。我们可以展示引用来源，并按用户权限过滤资料，这样更容易核对，也能减少越权泄露。
容易混淆的地方
RAG 和微调解决的问题不同：微调会改变模型参数，RAG 则在回答时提供检索到的材料；要跟上频繁更新的文档，通常先考虑 RAG。它也不等于普通搜索：搜索主要返回结果，RAG 还让模型依据结果生成回答，但生成的内容仍可能出错。
什么时候用
适合用
- 给 SaaS 产品做帮助中心问答，让 AI 根据不断更新的功能说明回答，并附上对应文档。
- 给内部开发助手接入项目文档，让它回答接口约定时能找到相关版本的说明。
- 让售后助手查询已公开的保修政策，再用用户容易理解的话解释适用条件。
不适合用
- 只是要在网站里按标题查找文档，用户自己看结果就够了，用普通站内搜索更直接。
- 要查询用户此刻的订单状态，数据来自实时业务系统，直接调用受权限控制的订单 API 更合适。
- 只是想固定 AI 的回答语气，没有外部资料需要查，用提示词约定风格即可。
练一练选一个答案，看看解释
你在做一款团队协作 App。用户常问功能怎么用，帮助文档每周更新，还希望答案能指出依据。你会选哪种方案？
让 AI 帮你做复制给 AI Agent 直接用
请为帮助中心问答设计 RAG 方案：从现有文档检索与问题相关的片段，再据此生成回答并标出来源。考虑文档版本和用户权限；找不到足够依据时明确说明，不要编造操作步骤。先给出实现思路和验证方法。