先查资料再回答：RAG的直觉与边界

为什么不能只问模型

星桥手作社是一个虚构的手工活动团队。它的公开手册写着：纸艺体验每桌最多六人，剪刀在活动结束后放回蓝色工具盒。现在有人问：八个人能坐同一桌吗？如果模型没有看到手册，它可能根据常见活动经验回答可以，也可能说需要分桌。语句自然不意味着它掌握本社规则。我们真正需要的是让回答建立在指定资料上，而不是让模型猜测一个听起来合理的制度。

把流程想成开卷答题

检索增强生成，英文简称RAG，可以类比开卷答题。系统先把问题变成检索请求，从允许访问的资料中寻找相关片段，再把问题、片段和回答要求一起交给模型组织语言。资料整理、检索和生成是三个不同环节。模型不是直接翻遍整个文件夹，常见系统只向它提供少量检索结果。检索没有找到人数上限时，即使原文确实存在，生成阶段也可能缺少关键条件。

一个完整的纸上示例

把问题写在纸上：八个人能坐同一桌吗？模拟检索返回两个片段，第一段是每桌最多六人，第二段是活动结束归还工具。前者支持座位判断，后者与问题无关。合格回答应说：根据手册的六人上限，八人应至少分成两桌；具体分配仍以活动安排为准。这里六人是来源事实，两桌是基于事实的简单推断，活动安排则是尚未获得的信息。三个部分要区分，不能把推断伪装成手册原句。

它改变什么，不改变什么

RAG通常不修改模型权重。更新手册后，系统重新解析和建立索引，下一次检索就有机会找到新内容，这与重新训练模型不同。它也不保证准确：原文可能过期，切分可能丢掉例外条款，检索可能取错版本，模型可能忽略证据。把手册全部塞进上下文并非必然更好，资料越多越容易混杂，而且受上下文长度限制。微调可以改变某些行为习惯，却不能替代动态资料的更新与检索。

零基础操作与失败判断

准备三张资料卡，分别写人数规则、工具归还规则和活动时间，给每张卡标注来源编号与版本。先为一个问题挑选资料卡，再只用选中的卡写回答，最后检查每一句是否有出处。如果问到手册没有写的材料品牌，应明确说明现有资料不足，而不是补一个常见品牌。判断失败时分别问：资料里有没有答案，检索是否取到了答案，回答是否忠实使用了答案。这样能定位问题，而不会一遇到错误就笼统归因于模型不好。