跳到內容 / Skip to content

AI 博客

一文看懂 RAG:讓 AI 的回答扎根於你的資料

檢索增強生成把語言模型接上你文件的即時檢索,讓回答保持最新且有出處。

CinderHub 編輯部1 分鐘閱讀

檢索增強生成(RAG)分兩步:先在知識庫中搜尋與問題相關的段落,再把這些段落當作上下文交給模型,之後才產生回答。模型不再只依賴訓練時記住的內容,而是在查詢當下閱讀你真正的文件。

實際好處是準確與即時。政策、價格或產品規格一變,你不必重新訓練模型,只要更新底層文件並重新建立索引即可。由於檢索到的段落會隨提示一起送入,你還能附上引用出處,讓回答可供查核,並大幅降低對未見事實的幻覺。

一條穩健的 RAG 流程取決於三個選擇:如何切分文件、用哪個嵌入模型做檢索,以及如何排序送進生成器的內容。在 CinderHub,你可以把這些環節接入聊天、圖像與分鏡工作流,讓同一份扎根的上下文同時驅動文字回答與由此產出的視覺內容。

  • retrieval augmented generation
  • RAG
  • 向量檢索
  • embeddings
  • AI 幻覺
  • 知識庫

想試吓 CinderHub?

免費開始