RAG 篇：基于知识库的智能问答系统设计
RAG 用检索把外部知识送进上下文，让模型基于企业文档、代码库、规范和数据库说明回答问题。
RAG 篇：基于知识库的智能问答系统设计
RAG 的全称是 Retrieval-Augmented Generation，也就是检索增强生成。它解决的问题很直接：模型参数里的知识不一定新、不一定全，也不一定包含企业内部文档，所以要先检索，再生成。
Rendering diagram...
RAG 的核心链路
第一步是文档解析，把 PDF、Markdown、网页、代码和数据库说明转成文本。第二步是切分，避免上下文太长。第三步是向量化，把文本变成 embedding。第四步是检索和重排。最后把命中的片段连同问题一起交给模型。
type RetrievedChunk = {
id: string;
source: string;
content: string;
score: number;
};
RAG 和微调的区别
RAG 更适合经常变化的知识，比如业务文档、接口说明、故障手册。微调更适合稳定的行为模式，比如固定风格、分类规则、领域表达方式。
如果问题是“模型不知道这份文档”，优先 RAG。如果问题是“模型知道但总是不按我的格式做”，再考虑微调或更强的结构化约束。
常见架构问题
RAG 失败常常不是模型失败，而是检索失败。文档切得太碎会丢上下文，切得太大又会引入噪声。只看向量相似度也不够，很多生产系统会加入关键词检索、元数据过滤和 rerank。
小结
RAG 的关键不是“接一个向量数据库”这么简单，而是让知识进入模型之前足够准确、干净、可追溯。