RAG 入门：让 AI 先翻资料，再回答问题

1. 把闭卷改成开卷

你问 AI“公司的退款规则是什么”，但它没见过公司的规则，就容易答偏。RAG 是检索增强生成：先从资料中找相关片段，再把这些片段交给模型组织回答。可以把它想成开卷答题，先翻到有关页码再解释。它适合资料经常更新、答案需要依据的场景，并不意味着每次都能找到正确材料。

2. 一次回答经过哪些步骤

用户提问后，系统检索相关资料，把选中的内容连同问题送给模型，最后生成回答并保留来源。例如询问退费期限，应找到具体商品对应的条款，再给出说明。引用要能回到支持这句话的原文；只附一个看起来相关的链接，还不能证明答案准确。资料版本、发布日期和适用范围也要一起检查。

3. 新人可以怎样练习

先选几份公开、清楚的文档，整理标题、正文和来源，去掉重复内容。准备五个有明确答案的问题，再加一个资料没有答案的问题。观察系统是否找对段落、回答是否忠于原文、缺少依据时是否说明无法确认。先查检索结果，再调整表达，通常比反复要求模型“认真回答”更容易定位问题。

4. 别把权限和评估忘了

公司内部资料并不是所有用户都能看。检索阶段就要按用户权限筛选，不能先把敏感片段交给模型，再期待它替你保密。资料更新后，也要核对索引是否同步。最后保留一组固定问题，比较前后结果。RAG 提供资料依据，不能替代资料质量、权限控制和实际验收；先做一个小而可核对的知识库。

练习时再故意问一个文档没写的问题，例如资料只有退费流程，却问具体到账时间。观察它是否指出缺少依据。如果它仍给出确定日期，就把这次失败加入检查样本，而不是因为回答带了引用就直接接受。