RAG（检索增强生成）

什么是 RAG（检索增强生成）？

检索增强生成（RAG）是一种将信息检索与文本生成相结合的 AI 架构，用于生成准确、有据可依的回答。RAG 不单纯依赖大语言模型（LLM）的内部知识——这些知识可能过时或不完整——而是从外部知识源检索相关文档，并在生成过程中将这些上下文提供给语言模型。这种“先检索、后生成”的方式是现代 AI 客户服务平台的基础，因为它能减少 AI 幻觉，确保回答基于经过验证的最新信息。

RAG 的工作原理

RAG 流水线主要分为两个阶段：检索和生成。

**检索阶段：**当客户提交问题时，系统会将其转换为稠密向量嵌入，即一种捕捉语义的数值表示。系统使用余弦相似度或近似最近邻（ANN）搜索等相似度搜索算法，将该嵌入与预处理文档（帮助文章、产品文档、政策页面、历史工单）的向量索引进行比对，检索出最相关的文档片段并排序。更先进的方案还会在向量搜索之外结合知识图谱查询和基于关键词的检索（混合搜索），既捕捉语义，也能精确匹配产品代码或错误 ID 等术语。

**生成阶段：**检索到的文档片段作为上下文注入 LLM 的提示词中。语言模型将检索到的信息整合为连贯、自然的回答。由于模型依据的是真实的源材料，而非仅凭参数记忆，生成的回答有事实依据，并可追溯到具体文档。

生产级 RAG 系统还会增加中间步骤：通过查询改写提升检索质量，通过重排序优先选取最相关的片段，并采用 RAG Fusion 技术合并多种检索策略的结果。这些优化可以减少噪声、提高精准度。

RAG 为何重要

大语言模型具备强大的生成能力，但有一个关键缺陷：它们可能输出听起来正确、实则错误的信息。这就是幻觉。在客户服务中，这意味着向客户提供错误的计费政策、错误的故障排查步骤，或根本不存在的功能。RAG 通过让每个回答都以检索到的证据为依据来解决这一问题。

Lewis 等人于 2020 年在 NeurIPS 上发表的 RAG 奠基性论文表明，将预训练语言模型与基于外部文档的神经检索器相结合，比仅依赖参数的模型能生成更具体、更多样、更符合事实的输出。正如 arXiv 上的 RAG 原始研究所述，该架构此后已成为知识密集型 AI 应用的标准。

对客户服务而言，RAG 的价值立竿见影。AI 智能体可以引用信息来源，支持团队可以核实准确性，客户获得的答案基于企业的真实知识，而非模型的猜测。RAG 还让 AI 保持最新变得十分简单：只需更新文档索引，AI 即可立即反映新信息，无需重新训练。

用例与应用

RAG 是各行业实现精准 AI 支持的技术支柱：

• **客户支持：**检索帮助文章、产品文档和账户数据，为客户问题生成精准答案
• **内部知识管理：**让员工使用自然语言跨 Confluence、Notion、Google Drive 等知识库进行查询
• **合规与受监管行业：**确保每个 AI 回答都基于经批准的政策文件，并保留引用记录以供审计
• **技术故障排查：**调取错误文档、API 参考和历史解决方案，指导 SaaS 支持交互
• **多语言支持：**检索一种语言的源文档，并以客户偏好的语言生成回答

Maven 的优势

Maven AGI 平台构建于先进的 RAG 架构之上。Agent Maven 采用混合搜索，将稠密向量嵌入与结构化知识图谱查询相结合，覆盖 100+ 个已连接的数据源。多阶段重排序和上下文融合确保最相关的信息进入生成层，从而产出准确、完整的回答。

房地产科技公司 Enumerate 借助 Maven AGI 实现了 91% 的解决率。之所以能达到如此准确度，是因为 Maven 的 RAG 流水线从企业自身的知识库和产品系统中检索经过验证的信息，而非依赖 LLM 的参数记忆，从而消除了削弱 AI 支持可信度的幻觉风险。

Maven AGI 已获得 $78M 融资，并将 RAG 视为基础层。Agent Maven 生成的每个回答都以检索到的证据为依据，并附有来源引用，确保透明。正因如此，Maven 客户 K1x 实现了 80% 的解决率（比此前的 AI 提升 10 倍），Papaya Pay 实现了 90% 的自主解决率。如需了解更多，请参阅 IBM Research 关于检索增强生成的介绍，或了解结合知识图谱的 RAG 最新研究中混合检索的进展。

常见问题

RAG 如何减少 AI 幻觉？

RAG 让语言模型的输出以检索到的源文档为条件，而非仅依赖内部参数，从而减少幻觉。模型从具体、经过验证的文本段落中获取信息。如果检索到的上下文中没有答案，设计良好的 RAG 系统会说明信息不足，而不是编造回答。

什么是向量嵌入？它为何对 RAG 至关重要？

向量嵌入是捕捉文本语义的数值表示。“refund（退款）”一词和“get my money back（把钱退给我）”这一短语虽然没有相同的词，但嵌入却很相似。在 RAG 中，嵌入支持语义搜索：系统能找到概念上相关的文档，而不仅是关键词匹配。这正是 RAG 在对话式 AI 中远比传统搜索更有效的原因。

RAG 是否需要重新训练语言模型？

不需要。RAG 的一大优势在于，信息变化时无需重新训练语言模型。团队只需更新文档索引，检索层就会在生成时立即提供最新信息。因此，RAG 非常适合文档频繁变动的快节奏环境，例如 SaaS 支持。

RAG 系统中的混合搜索是什么？

混合搜索将基于向量的语义搜索与基于关键词的检索（BM25 或类似算法）相结合。向量搜索擅长理解含义和意图，关键词搜索则更适合精确匹配产品代码、错误 ID 等内容。两者结合，确保无论查询是口语化的还是具体的，RAG 流水线都能检索到相关结果。Maven AGI 在其企业级 AI 支持平台中全面采用了这种混合方法。