01 - RAG 基础与原理

定位: RAG 知识的入口——理解"为什么需要 RAG"、"RAG 是什么"、"什么场景最适合 RAG" 面试高频度: ⭐⭐⭐⭐⭐

一、板块在体系中的位置

上游：LLM 基础能力（模型幻觉/知识截止问题）
  │
  ▼
【01-RAG基础与原理】 ← 你现在在这里
  │  ┌──────────────────────┐
  │  │ 理解 Why → 看懂 What │
  │  │  → 能做出技术选型     │
  │  └──────────────────────┘
  │
  ▼
下游：02-检索系统 → 03-生成与融合 → 04-进阶RAG模式 → 05-评估优化 → 06-工程化实践

二、知识全景图

┌─────────────────────────────────────────────────────────┐
│                   RAG 知识全景（入门视角）                  │
│                                                          │
│  你为什么需要RAG？                                       │
│  ┌─────────────────────┐   ┌─────────────────────────┐  │
│  │ LLM 的知识截止问题    │   │ LLM 的幻觉/事实错误     │  │
│  │ 模型训练数据有日期限制  │   │ 知识固化 -> 易编造事实  │  │
│  └────────┬────────────┘   └──────────┬──────────────┘  │
│           └──────────┬────────────────┘                  │
│                      ▼                                   │
│            ┌─────────────────────┐                       │
│            │  RAG：检索增强生成    │                       │
│            │  = 检索外部知识        │                       │
│            │    + 注入生成上下文    │                       │
│            └─────────────────────┘                       │
│                      │                                    │
│          ┌───────────┼───────────┐                        │
│          ▼           ▼           ▼                        │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐                  │
│  │ Naive    │ │Advanced  │ │ Modular  │                  │
│  │ RAG      │ │RAG       │ │RAG       │                  │
│  └──────────┘ └──────────┘ └──────────┘                  │
│                                                          │
│  适用场景：问答/客服/知识库/报告生成/代码辅助              │
└─────────────────────────────────────────────────────────┘

三、子专题导航

#	主题	面试频率	核心内容
**什么是RAG**	什么是RAG	⭐⭐⭐⭐⭐	定义、动机、核心组成、实现范式
**RAG系统架构总览**	RAG系统架构	⭐⭐⭐⭐⭐	Naive → Advanced → Modular 演进
**RAGvs微调-技术选型对比**	RAG vs 微调	⭐⭐⭐⭐	适用场景、选型决策、组合策略

四、核心考点速记

1. RAG 解决了什么根本问题？

LLM 本质问题：训练数据截止 → 知识固化 → 无法访问私有数据 → 产生幻觉
RAG 解法：不改变模型权重，通过检索外部知识库注入上下文
         → 知识可更新（改知识库即可）
         → 事实可追溯（显示来源文档）
         → 幻觉可降低（提供证据让模型作答）

2. RAG 核心三阶段

检索 (Retrieve) → 增强 (Augment) → 生成 (Generate)
    │                  │                │
  查文档             拼接到Prompt      生成回答

3. RAG vs Fine-tuning 选型

场景	推荐方案	原因
需要快速接入私有知识	RAG	无需训练，改知识库即可
需要模型学习新格式/风格	Fine-tuning	改变模型行为模式
既要知识又要风格	RAG + Fine-tuning	互补组合

📚 相关文件

• **RAG文库设计文档**
• **KB Master 方法论**