RAG是什么意思？
RAG（Retrieval-Augmented Generation，检索增强生成）是把外部知识检索与大模型生成结合的架构，让 AI 基于企业自己的文档回答问题并给出引用，减少幻觉。
RAG 解决的核心问题是「大模型不知道你的业务资料」：模型训练有截止时间，也不包含企业内部文档。RAG 的流程是：先把文档切分、向量化存入知识库；用户提问时检索相关内容；再把检索结果连同问题一起交给模型，让模型基于检索内容回答。
RAG 的关键环节有四个：文档解析——PDF、扫描件、表格的解析质量决定信息是否完整；切片策略——按章节结构切分比固定字数更合理；检索质量——召回率和排序决定模型拿到的是不是正确答案；上下文组织——检索结果要过滤、排序、重写，不能全塞进提示词。
落地平台方面：Dify（开源、全流程）、FastGPT（中文优化）、RagFlow（文档解析强）、Coze（零代码）各有侧重。评估 RAG 效果要用真实评估集：准备 50-100 条问题、标注参考答案,统计检索命中率和回答准确率,而不是凭感觉判断。
常见误区是「把所有文档丢进知识库就等于完成 RAG」：实际上文档清洗、权限设计、评估迭代才是决定效果的关键，RAG 是运营出来的，不是一次部署就结束的。
示意图与界面
适用场景
企业知识库、产品文档问答、客服资料检索
需要给出引用来源、减少幻觉和保留权限边界的问答
行业资料、法规条款、项目文档等更新频繁的知识场景
常见误区
RAG 不能自动保证正确答案，文档切分、召回质量和引用展示都会影响结果。
把所有文档丢进知识库并不等于完成治理，权限和更新机制同样关键。
如何用于工具选型
先确认这个概念解决的是能力问题、流程问题还是工程问题，再回到具体工具详情页核对官网入口、价格模式、支持语言、平台能力、最近核验日期和不适用边界。涉及团队或商业使用时，还要单独检查权限、数据策略、商用授权和替代方案。
