RAG 基础原理
RAG（Retrieval-Augmented Generation，检索增强生成）是一种让大模型在生成答案前访问外部知识的技术。它适合处理模型训练数据中没有的私有知识、实时信息和领域文档。
使用 LlamaIndex 构建 RAG
LlamaIndex 将 RAG 流程抽象为多个层次：
RAG 自动化评测
RAG 的效果不能只看某一个问题的最终答案。评测需要区分“检索是否找对”和“模型是否用对”，并通过一批带有 Ground Truth 的问题进行回归测试。
RAG 优化策略
RAG 优化应先定位问题所在的环节，再选择策略。一个实用的排查链路是：
高级 RAG 技术
朴素 RAG（Naive RAG）遵循"切片 → 向量化 → Top-K 召回 → 生成"的固定流程，在真实业务中常常同时面临两类问题：查不准（用户表达与文档表达存在语义鸿沟）和查不全（单一检索通道无法覆盖所有形态的知识）。高级 RAG 的思路是把这条固定管线拆成多个可独立优化的模块，在检索前、检索中、检索后分别引入针对性技术。
Agentic RAG：从固定管线到智能体
前面的 RAG 流程无论多复杂，本质仍是固定管线：检索次数、检索方式、何时停止，都在代码里写死。这带来三个天花板：
RAG、微调与长上下文：知识接入方案选型
让大模型掌握新知识，常见有四种手段。它们解决的问题不同，经常被混为一谈：