Retrieval-Augmented Generation
RAG 檢索增強生成 是什麼？
讓大型語言模型回答前先「檢索」外部知識庫、再依檢索到的內容生成答案的方法，用以提高正確性與可溯源性。
RAG 把「檢索（retrieval）」接在「生成（generation）」之前：先把問題拿去向量資料庫等知識庫找出最相關片段，再連同問題一起餵給 LLM 生成答案。好處是答案能引用實際資料、降低幻覺，且知識可即時更新而不必重新訓練模型。
典型流程是把文件切塊（chunk）、轉成向量（embed）建索引，查詢時以語意相似度找回片段。RAG 常作為 AI Agent 的「查資料」工具，也是把專業知識庫接上 LLM 的主流做法。
- 先檢索知識庫、再生成答案
- 降低幻覺、答案可溯源、知識可即時更新
- 流程：chunk → embed → 向量檢索 → 生成