通用大模型知识丰富，却不了解企业内部情况：不知道单位的制度、产品、历史数据。重新训练成本太高，RAG(检索增强生（JNJ）成)提供了一条更务实的路。
RAG的思路很简单：回答问题前，先从企业知识库中检索相关资料，再把这些资料连同问题一起交给模型生成答案。相当于给模型配了一个随身资料库，让答案有据可依。
对企业来说，RAG的价值在于：把分散的文档、制度、知识变成可查询的智能服务，员工问报销流程、设备维护手册，都能得到带依据的回答。同时，知识更新只需更新资料库，不必重新训练模型，成本可控。
落地RAG，重点不在模型，而在知识：资料要整理得规范、分块合理、权限清楚，答案要能追溯到原文。基础工作做扎实，智能问答才能真正可信可用。
审校：韩子琛 |
