RAG（Retrieval-Augmented Generation，检索增强生成）是一种人工智能框架，旨在利用大语言模型（LLM）进行外部知识源的自然语言查询。RAG的核心思想是通过外挂知识库的方式给大模型提供更可靠的知识来抑制模型产生幻觉，通过定期迭代知识库的方式解决大模型知识更新慢和训练成本高的问题。
RAG技术通过从外部知识库中检索相关信息，并将其与语言模型的生成能力结合，可以显著提升生成答案的准确性。这种准确性的提升尤其体现在知识密集型任务中，如专业领域的问答系统。相比于仅依赖语言模型进行生成的技术，RAG能够更好地结合事实和数据，生成更加准确、可靠的答案。
由于RAG技术结合了外部知识库的信息，生成的答案具有更高的透明度和可信度。通过引用来源，RAG技术可以提高用户对生成内容的信任度，特别是在需要权威性和准确性的场景中，如新闻报道、学术研究等。
传统的生成技术通常基于固定的语言模型进行生成，对于新的知识或信息的更新相对困难。而RAG技术可以通过更新外部知识库，快速引入新的信息和知识，使得生成的内容能够保持与时俱进。这种灵活性使得RAG技术在处理实时性要求较高的问题时具有明显优势。
RAG技术能够针对特定领域进行定制化的优化，通过构建特定领域的知识库，使得生成的内容更加符合该领域的专业性和准确性。这对于专业领域的应用场景，如医疗、法律等，具有非常重要的意义。
