重建 AI 認知第 6 篇：RAG——答案不在“檢索 + 生成“這四個字裏

推薦《重建 AI 認知第 6 篇：RAG——答案不在“檢索 + 生成“這四個字裏》：作者把經驗掰開揉碎講得很細。下面按要點重新組織一遍，方便你快速抓住重點、用起來。

RAG 不是一個新技術。 它的核心那塊——把文字變成座標，然後找座標最近的鄰居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 讓"詞變向量"成爲主流，2019 年前後 Milvus、Pinecone 這類專業向量數據庫陸續出現，2020 年 RAG 的論文發表，比 ChatGPT 還早兩年多。今天說的 RAG，本質是把這套幾十年的老檢索技術，拼在了一個新的生成模型前面。 也正因爲老，它在今天的技術話題裏顯得不那麼高級。大家在追 Agentic、多模態、各種新框架，這時候講 RAG，像是在講一件早就該翻過去的事。 但有一個判斷需要拆開： 一項技術"聽起來不新"，和"做起來不難"，是兩回事。 RAG 的機制確實簡單，簡單到一張四步流程圖就能畫完，任何人十分鐘都能給別人講明白。

RAG 不是一個新技術。 它的核心那塊——把文字變成座標，然後找座標最近的鄰居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 讓"詞變向量"成爲主流，2019 年前後 Milvus、Pinecone 這類專業向量數據庫陸續出現，2020 年 RAG 的論文發表，比 ChatGPT 還早兩年多。今天說的 RAG，本質是把這套幾十年的老檢索技術，拼在了一個新的生成模型前面。 也正因爲老，它在今天的技術話題裏顯得不那麼高級。大家在追 Agentic、多模態、各種新框架，這時候講 RAG，像是在講一件早就該翻過去的事。 但有一個判斷需要拆開： 一項技術"聽起來不新"，和"做起來不難"，是兩回事。 RAG 的機制確實簡單，簡單到一張四步流程圖就能畫完，任何人十分鐘都能給別人講明白。可在企業裏真正落地過的人知道，那張圖描述的是 RAG 順利工作的樣子；項目裏絕大部分功夫，花在它不順利的那幾種狀態上。

RAG 不是一個新技術。 它的核心那塊——把文字變成座標，然後找座標最近的鄰居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 讓"詞變向量"成爲主流，2019 年前後 Milvus、Pinecone 這類專業向量數據庫陸續出現，2020 年 RAG 的論文發表，比 ChatGPT 還早兩年多。今天說的 RAG，本質是把這套幾十年的老檢索技術，拼在了一個新的生成模型前面。 也正因爲老，它在今天的技術話題裏顯得不那麼高級。大家在追 Agentic、多模態、各種新框架，這時候講 RAG，像是在講一件早就該翻過去的事。 但有一個判斷需要拆開： 一項技術"聽起來不新"，和"做起來不難"，是兩回事。 RAG 的機制確實簡單，簡單到一張四步流程圖就能畫完，任何人十分鐘都能給別人講明白。可在企業裏真正落地過的人知道，那張圖描述的是 RAG 順利工作的樣子；項目裏絕大部分功夫，花在它不順利的那幾種狀態上。 更關鍵的是它的位置： 企業做 AI 落地，"讓模型知道自己的業務知識"是所有應用繞不開的第一道關。

RAG 不是一個新技術。 它的核心那塊——把文字變成座標，然後找座標最近的鄰居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 讓"詞變向量"成爲主流，2019 年前後 Milvus、Pinecone 這類專業向量數據庫陸續出現，2020 年 RAG 的論文發表，比 ChatGPT 還早兩年多。今天說的 RAG，本質是把這套幾十年的老檢索技術，拼在了一個新的生成模型前面。 也正因爲老，它在今天的技術話題裏顯得不那麼高級。大家在追 Agentic、多模態、各種新框架，這時候講 RAG，像是在講一件早就該翻過去的事。 但有一個判斷需要拆開： 一項技術"聽起來不新"，和"做起來不難"，是兩回事。 RAG 的機制確實簡單，簡單到一張四步流程圖就能畫完，任何人十分鐘都能給別人講明白。可在企業裏真正落地過的人知道，那張圖描述的是 RAG 順利工作的樣子；項目裏絕大部分功夫，花在它不順利的那幾種狀態上。 更關鍵的是它的位置： 企業做 AI 落地，"讓模型知道自己的業務知識"是所有應用繞不開的第一道關。 這一步不做，上面所有東西都建不起來。

RAG 不是一個新技術。 它的核心那塊——把文字變成座標，然後找座標最近的鄰居——1970 年代的搜索引擎就在用了。2013 年 Word2Vec 讓"詞變向量"成爲主流，2019 年前後 Milvus、Pinecone 這類專業向量數據庫陸續出現，2020 年 RAG 的論文發表，比 ChatGPT 還早兩年多。今天說的 RAG，本質是把這套幾十年的老檢索技術，拼在了一個新的生成模型前面。 也正因爲老，它在今天的技術話題裏顯得不那麼高級。大家在追 Agentic、多模態、各種新框架，這時候講 RAG，像是在講一件早就該翻過去的事。 但有一個判斷需要拆開： 一項技術"聽起來不新"，和"做起來不難"，是兩回事。 RAG 的機制確實簡單，簡單到一張四步流程圖就能畫完，任何人十分鐘都能給別人講明白。可在企業裏真正落地過的人知道，那張圖描述的是 RAG 順利工作的樣子；項目裏絕大部分功夫，花在它不順利的那幾種狀態上。 更關鍵的是它的位置： 企業做 AI 落地，"讓模型知道自己的業務知識"是所有應用繞不開的第一道關。 這一步不做，上面所有東西都建不起來。而這一步目前的標準答案，就是 RAG。

最後提醒：每個人的環境不一樣，照抄之前先小步驗證。有了自己的驗證結果，這篇的價值才真正歸你。你怎麼看？ 來源｜博客園《重建 AI 認知第 6 篇：RAG——答案不在“檢索 + 生成“這四個字裏》，https://www.cnblogs.com/xingxiangyi/p/22950215.html