RAG（Retrieval-Augmented Generation）
- 冠麟 郭
- 6月7日
- 讀畢需時 2 分鐘
RAG 是 Retrieval-Augmented Generation 的縮寫，中文通常翻作「檢索增強生成」，是一種讓 大型語言模型（LLM）可以「先查資料再作答」 的技術架構。
核心概念
RAG 把兩個能力結合在一起：
Retrieval（檢索）：
根據使用者的問題，從一個「知識庫」中找出相關資料（例如法規、文件、FAQ 等段落）。
Generation(生成)：
把找到的資料 + 使用者問題，一起丟給 LLM（如 GPT-4）來產生答案，讓回答更準確、有根據。
流程圖簡化如下：
使用者問題 → 資料庫檢索 → 找出相關段落 → LLM生成回應 → 回答使用者
為什麼使用RAG？
解決 LLM「知識過時」問題
LLM 雖然強大，但知識是「訓練當時」的，無法即時更新。
👉 RAG 可連接即時或客製化資料庫，例如最新法規、內部文件、常見問題集。
降低「幻覺」（Hallucination）風險
LLM 有時會「憑空亂答」，給出看起來正確但其實錯誤的內容。
👉 RAG 提供明確參考來源給模型，讓回答有依據、有憑據。
支援特定領域知識
像保稅、報關、醫療、法律等都是高度專業、術語多的領域。
👉 RAG 可使用自建知識庫，讓 LLM 回答更貼近實務、不會「講錯話」。
保持彈性與可擴充
RAG 架構允許你逐步加入不同主題的資料（如：保稅 → 通關流程 → 常見案 例）。 👉 系統設計上更模組化、維護與擴展都更容易。
可查詢來源、提升信任度
使用者可知道答案參考自哪段資料，符合「可驗證的 AI」趨勢。
👉 對政府、法律、企業應用特別重要。
留言