AI Agent 工程 · 08
08.1 RAG：让回答有企业证据
理解从文档处理到召回、重排、引用和无证据拒答的 RAG 链路。
学习目标与定义
**检索增强生成（RAG, Retrieval-Augmented Generation）**是先从受控企业资料找证据，再让模型基于证据回答；它不是把所有资料训练进模型。微调改变模型行为或格式倾向，RAG 更新知识更快、可引用来源，但检索错了仍会回答错。
文档解析 → 切分 Chunk → Embedding → 向量检索 → 可选重排 → 证据 → 有引用的回答/拒答
Chunking（切分）要保留政策标题、商家和生效范围；Embedding（嵌入）把文本编码为向量；Vector Search（向量检索）按相似度找候选；Reranking（重排）再判断候选是否真正回答问题。Grounded Generation（基于证据生成）要求回答可追溯 Citation（引用）。
客服位置与验收
客户问某商家保修期，RAG 只提供该商家可用的政策片段；模型不能从记忆猜测。没有证据时说“转人工确认”比编造政策更好。外部文档中的“忽略规则”属于不可信数据，绝不能被当作系统指令。
主动回忆：为什么“检索到了文本”不等于“文本适用于此商家与此订单”？
- 必须记：检索、生成和权限是三道不同关卡。
- 建议记：引用应对应具体证据块与版本。
- 不用记：某一种向量维度。