重建 AI 认知第 6 篇：RAG——答案不在“检索 + 生成“这四个字里

推荐《重建 AI 认知第 6 篇：RAG——答案不在“检索 + 生成“这四个字里》：作者把经验掰开揉碎讲得很细。下面按要点重新组织一遍，方便你快速抓住重点、用起来。

RAG 不是一个新技术。 它的核心那块——把文字变成坐标，然后找坐标最近的邻居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 让"词变向量"成为主流，2019 年前后 Milvus、Pinecone 这类专业向量数据库陆续出现，2020 年 RAG 的论文发表，比 ChatGPT 还早两年多。今天说的 RAG，本质是把这套几十年的老检索技术，拼在了一个新的生成模型前面。 也正因为老，它在今天的技术话题里显得不那么高级。大家在追 Agentic、多模态、各种新框架，这时候讲 RAG，像是在讲一件早就该翻过去的事。 但有一个判断需要拆开： 一项技术"听起来不新"，和"做起来不难"，是两回事。 RAG 的机制确实简单，简单到一张四步流程图就能画完，任何人十分钟都能给别人讲明白。

RAG 不是一个新技术。 它的核心那块——把文字变成坐标，然后找坐标最近的邻居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 让"词变向量"成为主流，2019 年前后 Milvus、Pinecone 这类专业向量数据库陆续出现，2020 年 RAG 的论文发表，比 ChatGPT 还早两年多。今天说的 RAG，本质是把这套几十年的老检索技术，拼在了一个新的生成模型前面。 也正因为老，它在今天的技术话题里显得不那么高级。大家在追 Agentic、多模态、各种新框架，这时候讲 RAG，像是在讲一件早就该翻过去的事。 但有一个判断需要拆开： 一项技术"听起来不新"，和"做起来不难"，是两回事。 RAG 的机制确实简单，简单到一张四步流程图就能画完，任何人十分钟都能给别人讲明白。可在企业里真正落地过的人知道，那张图描述的是 RAG 顺利工作的样子；项目里绝大部分功夫，花在它不顺利的那几种状态上。

RAG 不是一个新技术。 它的核心那块——把文字变成坐标，然后找坐标最近的邻居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 让"词变向量"成为主流，2019 年前后 Milvus、Pinecone 这类专业向量数据库陆续出现，2020 年 RAG 的论文发表，比 ChatGPT 还早两年多。今天说的 RAG，本质是把这套几十年的老检索技术，拼在了一个新的生成模型前面。 也正因为老，它在今天的技术话题里显得不那么高级。大家在追 Agentic、多模态、各种新框架，这时候讲 RAG，像是在讲一件早就该翻过去的事。 但有一个判断需要拆开： 一项技术"听起来不新"，和"做起来不难"，是两回事。 RAG 的机制确实简单，简单到一张四步流程图就能画完，任何人十分钟都能给别人讲明白。可在企业里真正落地过的人知道，那张图描述的是 RAG 顺利工作的样子；项目里绝大部分功夫，花在它不顺利的那几种状态上。 更关键的是它的位置： 企业做 AI 落地，"让模型知道自己的业务知识"是所有应用绕不开的第一道关。

RAG 不是一个新技术。 它的核心那块——把文字变成坐标，然后找坐标最近的邻居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 让"词变向量"成为主流，2019 年前后 Milvus、Pinecone 这类专业向量数据库陆续出现，2020 年 RAG 的论文发表，比 ChatGPT 还早两年多。今天说的 RAG，本质是把这套几十年的老检索技术，拼在了一个新的生成模型前面。 也正因为老，它在今天的技术话题里显得不那么高级。大家在追 Agentic、多模态、各种新框架，这时候讲 RAG，像是在讲一件早就该翻过去的事。 但有一个判断需要拆开： 一项技术"听起来不新"，和"做起来不难"，是两回事。 RAG 的机制确实简单，简单到一张四步流程图就能画完，任何人十分钟都能给别人讲明白。可在企业里真正落地过的人知道，那张图描述的是 RAG 顺利工作的样子；项目里绝大部分功夫，花在它不顺利的那几种状态上。 更关键的是它的位置： 企业做 AI 落地，"让模型知道自己的业务知识"是所有应用绕不开的第一道关。 这一步不做，上面所有东西都建不起来。

RAG 不是一个新技术。 它的核心那块——把文字变成坐标，然后找坐标最近的邻居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 让"词变向量"成为主流，2019 年前后 Milvus、Pinecone 这类专业向量数据库陆续出现，2020 年 RAG 的论文发表，比 ChatGPT 还早两年多。今天说的 RAG，本质是把这套几十年的老检索技术，拼在了一个新的生成模型前面。 也正因为老，它在今天的技术话题里显得不那么高级。大家在追 Agentic、多模态、各种新框架，这时候讲 RAG，像是在讲一件早就该翻过去的事。 但有一个判断需要拆开： 一项技术"听起来不新"，和"做起来不难"，是两回事。 RAG 的机制确实简单，简单到一张四步流程图就能画完，任何人十分钟都能给别人讲明白。可在企业里真正落地过的人知道，那张图描述的是 RAG 顺利工作的样子；项目里绝大部分功夫，花在它不顺利的那几种状态上。 更关键的是它的位置： 企业做 AI 落地，"让模型知道自己的业务知识"是所有应用绕不开的第一道关。 这一步不做，上面所有东西都建不起来。而这一步目前的标准答案，就是 RAG。

最后提醒：每个人的环境不一样，照抄之前先小步验证。有了自己的验证结果，这篇的价值才真正归你。你怎么看？ 来源｜博客园《重建 AI 认知第 6 篇：RAG——答案不在“检索 + 生成“这四个字里》，https://www.cnblogs.com/xingxiangyi/p/22950215.html