检索增强的目的

学习目标

读完本课你能说清检索增强（RAG, Retrieval-Augmented Generation，检索增强生成）解决什么问题，并把「选资料」「生成答案」「给出引用」三件事的职责分开——出了错能判断该修哪一段。

问题场景

你问学习助手：「我导入的那份接口文档里，删除接口要求幂等吗？」模型没见过这份文档，但它不会说不知道——它按「最像答案的样子」补了一份：编出幂等规则，甚至编出文档里的章节号。这不是说谎，是文本补全的默认行为：没有依据时，生成一个像样的答案就是它最擅长的。

核心解释

检索增强的思路很朴素：回答之前，先把相关资料找出来放进上下文，让模型「抄着资料回答」。但要把三件事的职责分开，混在一起就没法排查：

1. 资料选择（检索器）：输入用户问题，输出片段列表。它只认索引和匹配，不负责组织语言。
2. 生成（模型）：基于入选资料组织语言。它只对「给到它的资料」负责，资料没选对不怪它。
3. 引用（服务端）：把命中片段整理成可核对的来源。它回答的是「这个结论从哪来」。

最小对比看差异：

// 无检索：模型只能靠参数里的记忆自由发挥
const messages = [{ role: "user", content: "删除接口要求幂等吗？" }];

// 有检索：先查资料库，把片段拼进提问，并约束回答范围
const hits = searchDocuments("删除接口 幂等"); // 返回资料库片段
const messages = [
  {
    role: "user",
    content:
      "只根据以下资料回答，资料没提到就明确说没有。\n资料：\n" +
      hits.map((h) => h.text).join("\n---\n") +
      "\n问题：删除接口要求幂等吗？",
  },
];

无检索时答案是「概率上合理」的；有检索时答案被资料范围约束，每次提问的稳定性也高得多。强调「独立职责」是因为三段可以分别测试与改进：检索不行改切分和索引，生成跑偏改提示，引用缺失改数据结构。搅在一个黑盒里，出了问题只能整体重试。

示例拆解

本站学习助手走「模型提出检索、服务端执行」的形态（A15 的工具机制），回答资料问题的完整链路：

// 1) 模型提出调用申请（finish_reason: "tool_calls"）
{ "function": { "name": "search_documents", "arguments": "{\"query\":\"删除接口 幂等\"}" } }

// 2) 服务端执行（lib/ai/tools.ts），返回结构化片段
{
  "total": 1,
  "fragments": [
    {
      "document": "团队接口规范.md",
      "collection": "default",
      "heading": "删除接口",
      "snippet": "删除接口必须幂等：重复调用同一请求不应产生二次删除……"
    }
  ]
}

// 3) 片段以 role:"tool" 回传，模型基于它生成；引用由服务端整理后随 refs 事件给前端

关键点：

• 检索失败也是一种结果：search_documents 无命中时返回「资料库没有命中内容；如无必要不要编造资料来源。」——把「不知道」显式传给模型，而不是留它自由发挥。
• 引用是服务端生成的，不是模型口头承诺：模型说「据资料显示」不可核查；服务端从真实命中片段整理出的引用才对得上。
• 三种失败对应三个环节：检索不到（改切分/索引/查询）、生成跑偏（改提示）、引用缺失（改数据结构）。

动手任务

1. 在站内资料库导入一份你自己的文档（课程笔记即可），用不触发工具的问法问一个只有资料里才有答案的问题，记录模型的编造表现。
2. 打开助手再问同一问题，对比：回答是否落在资料范围内、能否指出文档与片段位置。
3. 判断任务：模型答错了，你先查检索命中列表还是先改提示词？说出理由。

常见错误

• 把 RAG 理解成「换个更强的模型」：模型再强也不知道你的私有资料，依据必须来自检索。
• 把检索结果直接当答案展示：片段是资料不是回答，需要模型组织成针对问题的语言。
• 资料没选对却去调提示词：答案跑偏先看命中列表，命中都没有，提示写得再好也没用。
• 引用靠模型自觉：让模型自己「附上来源」不可靠，引用必须由服务端从真实命中生成。

检查与复盘

自查清单：

• 能说出资料选择、生成、引用各自的输入输出与典型失败表现
• 能解释「无命中时返回提示」为什么比「让模型自由回答」更可控
• 能画出「提问 → 检索 → 片段进上下文 → 生成 → 引用」的完整链路

参考资料

• Anthropic 文档：Retrieval augmented generation (RAG) —— 检索增强的整体流程与官方实践
• OpenAI 文档：Function calling —— 用工具承载检索的机制
• 下一课 A19 讲资料从文件变成可检索片段的第一步：解析与切分。