Retrieval-Augmented Generation (RAG)

RAG（Retrieval-Augmented Generation，檢索增強生成）是一種讓 AI 在生成回答之前，先從外部知識庫主動檢索相關資料的技術架構。傳統的 LLM 只能依靠訓練時學到的知識回答問題，這意味著它的知識有截止日期、可能過時，而且在不確定時容易「自己發明答案」（幻覺）。RAG 解決的正是這個根本問題。 RAG 的運作方式可以分三步理解：第一步，把使用者的問題轉化為向量（數學表示），在向量資料庫中搜尋語意最相似的文件片段；第二步，把檢索到的文件片段和原始問題一起組成一個新的提示詞，送給 LLM；第三步，LLM 根據這些具體的參考資料生成回答，而不是從記憶中「憑空生成」。 結果是：回答有根據、可追溯來源、幻覺大幅減少。這就是為什麼幾乎所有企業級 AI 應用（客服機器人、內部知識庫問答、文件分析系統）都採用 RAG 架構，而不是直接使用裸 LLM。

RAG 存在的根本原因，是 LLM 的兩個天生缺陷無法靠「訓練更多資料」解決：知識截止日期和幻覺問題。所有 LLM 都只知道訓練資料截止日前的資訊，重新訓練成本高達百萬美元等級。LLM 在不確定時不說「我不知道」，而是生成聽起來合理但可能錯誤的答案。 RAG 的解法：不改變模型，而是改變給模型的輸入。每次問問題前先查資料，把查到的東西給模型看，然後指示它「根據這些資料回答」。成本低、可控、可解釋——這就是為什麼 RAG 成為企業 AI 應用的標準架構。

理解 RAG 對你的影響，取決於你在什麼場景下思考這個問題。如果你是一般用戶，Claude Projects 裡上傳的文件，本質上就是在做一個簡化版的 RAG——你把外部知識放進 Context，Claude 根據這些資料回答。理解這個原理，你會更知道什麼文件值得上傳（和問題直接相關的、最新的、精確的）。 如果你是開發者，RAG 是目前最主流的 AI 應用架構，掌握它是構建企業級 AI 應用的基礎技能。核心技術棧包含：Embedding 模型、向量資料庫（Chroma、Pinecone、pgvector）、Chunking 策略、Retrieval 評估。 如果你是企業決策者，RAG 是讓 AI 能夠安全使用你的企業內部知識的關鍵技術，所有回答都可以追溯到原始文件，降低幻覺風險。

一般用戶：建立 Claude Project，上傳你真正想讓 Claude「依據這些」回答的文件；問問題時明確說「根據我上傳的文件」；優先上傳具體的、最新的、和你的問題直接相關的文件。 開發者入門路徑：理解 RAG 管道的四個步驟（Indexing → Retrieval → Augmentation → Generation）；推薦工具 LangChain 或 LlamaIndex + Chroma；Claude API 接入時明確指定「只根據以下資料回答，如果資料不足請說明」。 企業評估 RAG 導入：從一個有明確需求的場景開始（例如內部 HR 政策 Q&A）；先評估文件品質（垃圾進、垃圾出）；建立評估機制量化 RAG 系統的回答準確率。