什么是RAG？让大模型”开卷考试”的技术拆解
用了几天 AI 助手，很多人都会撞上同一个困惑：明明模型很强，问它”我们公司上个月发布的新产品”，它要么说不知道，要么一本正经编一个。可要是把产品资料贴给它，它立刻答得很准。这个差别背后，就是 RAG 要解决的问题。
RAG 全称 Retrieval-Augmented Generation，检索增强生成。说人话：让模型考试时能翻书。
第一步：为什么模型”不知道”新东西
大模型的全部知识，都固化在训练那一刻的参数里。训练完成后，参数不再变化，这被称为”知识冻结”。所以它有一个训练截止日期，截止之后发生的事，它一概不知。
更麻烦的是，它并不知道自己不知道。参数里没有的东西，它仍会用最像的语言模式补全——这就是幻觉。微调（fine-tune）能教它新知识，但成本高、更新慢，而且每次知识变动都得重训一次，对”上周刚改的价格表”这种高频变化完全跟不上。
RAG 换了个思路：不改模型，改输入。把相关资料先检索出来，塞进提示词，让模型基于这些材料作答。
第二步：三段式流程
检索（Retrieval）：把用户问题转成向量，去知识库里找语义最接近的若干片段。 增强（Augmentation）：把找到的片段拼成一段上下文，和问题一起放进提示词。 生成（Generation）：模型只负责在给定材料范围内组织语言作答。
关键点在于第三步的约束：提示词里通常要明确写”仅根据以下材料回答，材料中没有的信息请说明不知道”。这一句能砍掉大部分幻觉。
第三步：切块——RAG 里最容易被忽略的工序
知识库文档不能整篇塞进去，必须先切成小块（chunk），每块单独向量化。切法直接决定检索质量。
块大小：中文场景常见 300 到 800 字。太小，单块信息不完整，检索出来答不了问题；太大，一块里混了好几个主题，向量被稀释，反而不容易命中。经验值是”一个块讲清一件事”。
重叠（overlap）：相邻块之间留 10% 到 15% 的重叠，防止一句话被切断在两块之间，两边都读不通。
按结构切，别按字数硬切：优先在标题、段落、表格边界断开。一份产品手册按章节切，效果远好于每 500 字一刀切。
向量化（embedding）：每块文本被编码成一个高维向量（常见 768 到 3072 维）。语义相近的文本，向量距离也近，检索就是算距离。中文场景要选对中文语料训练过的 embedding 模型，用英文模型处理中文，召回率会明显下降。
第四步：召回不等于能用，还要重排
初步检索通常按向量相似度取前 20 到 50 条候选，但”向量最像”不等于”最能回答问题”。所以成熟系统会加一层重排（rerank）：用一个交叉编码器模型，把问题和每条候选逐一配对打分，重新排序，最后只取前 3 到 5 条塞进提示词。
这一步的收益很实在。同样的知识库，加了重排，答案准确率往往有明显提升，因为送进模型的材料从”看起来相关”变成了”确实相关”。提示词里的材料也不是越多越好——超过 5 到 8 条，模型容易抓错重点，还会挤占上下文窗口。
第五步：RAG 失效时，先分清是哪一环坏了
RAG 答错，原因只有两类，排查方向完全不同。
检索失败：材料里有答案，但没被找出来。表现是模型说”材料中未提及”。原因通常是切块不合理、embedding 模型不匹配、或用户问法和文档用词差距太大（专业术语 vs 口语）。解法：调块大小、加同义词、给文档补标题和摘要字段、混合关键词检索（BM25 + 向量）。
生成失败：材料找对了，模型却答歪了。表现是答非所问、把几条材料混着说、或超出材料范围编造。解法：收紧提示词约束、减少材料条数、要求逐条引用来源、把温度参数调低。
分不清这两类，调参就是瞎试。先看检索结果里有没有正确答案，这一步能省掉一半时间。
结论
RAG 不是让模型变聪明，而是给它一个可查的资料柜。它的上限由知识库质量决定，下限由切块和重排决定。想搭一套能用的 RAG，记住四个参数：块 300 到 800 字、重叠 10% 到 15%、候选 20 条以上、最终只喂 3 到 5 条。
对做内容生产的团队来说，这个思路同样适用：把品牌规范、产品卖点、历史文案整理成结构化知识库，用 RAG 驱动生成，输出的口径一致性会明显好于每次现场描述。很多做 AI广告 的团队卡住的不是模型能力，而是资料本身没整理成可检索的形态。视觉灵动在处理 AIGC广告 这类多品类、多版本的物料生产时，也是先把品牌资产沉淀成可检索的库，再让模型在库内取材——这比反复调提示词稳定得多。
相关文章
-
Sora到底有多强大
有时候生活中的无力感就是，你明知道世界正在发生巨大颠覆，却无法参与这一变迁，只能旁观他人的狂欢，甚至你还清楚不久的将来，你的生活一定会因此被裹挟着向前。 作为一个从业快20年的广告工作者，我这能献上双膝，然后说卧槽，变化太快，让我们如何是好？ Open AI 正是这么一家改变全人类生活的伟大公司，继文本模型ChatGPT、图像模型Dall-E大杀四方后，OpenAI继续祭出大杀器——Sora，这回他们选择颠覆视频领域。那可能会有很多人觉得视频领域要被搞死了，在我看来不仅仅是视频领域…
-
多模态大模型是怎么”看图说话”的？视觉编码器入门
内容目录 第一步：图片先被切成”词”第二步：视觉编码器把方块变成”有含义的向量”第三步：投影层把视觉向量”翻译”成语言模型能读的输入第四步：分辨率决定它”看多细”第五步：为什么空间关系总出错可操作的结论 多模态大模型是怎么”看图说话”的？视觉编码器入门 拿一张商品图去问多模态模型：”图里有几个瓶子？”它答得挺准。换个问法：”从左数第三个瓶子在第二个的左边还是右边？”它开始含糊，甚至答反。同一张图，同一个模型，为什么一个能答一…
-
文生图模型为什么总是”拍歪”构图？控制条件从草图到深度图
内容目录 第一步：先理解为什么提示词控不住构图第二步：空间条件注入——把”在哪里”画出来第三步：深度图——控制三维结构和透视第四步：姿态与边缘——人物和产品的精确控制第五步：一张图的实战控制流结语 文生图模型为什么总是”拍歪”构图？控制条件从草图到深度图 用文生图做过实际项目的人都有过这种体验：人物位置对了，手部穿帮；构图对了，透视又歪了。改提示词、换措辞、加权重，出图几十张，想要的那种”摄影师摆好的构图”就是出不来。 这不是提示词写得不好，而是问…
-
社交媒体平台上的视频广告策略与优化
精准定位，内容为王 首先，成功的视频广告始于对目标受众的精准定位。了解受众的兴趣、习惯及需求，是制定内容策略的基础。内容应富有创意，能够快速吸引用户的注意并在短时间内传达核心信息。AIGC（人工智能生成内容）技术的应用，正逐步改变这一领域，通过算法分析用户行为，自动生成个性化广告内容，提升广告的相关性和吸引力，是“AIGC广告”的一大趋势。 优化格式与时长 针对不同社交媒体平台的特性，调整视频广告的格式与时长。例如，短视频平台如抖音、快手偏好简短、直接的内容；而微博或Facebook则适合较长的…
-
利用色彩心理学设计视频广告的视觉效果。
色彩是视频广告中至关重要的元素之一，而色彩心理学则是一门研究人们对颜色反应和情绪影响的科学。通过运用色彩心理学，我们可以更好地设计视频广告的视觉效果，引导观众的情绪和认知，从而增强广告的影响力。以下是一些利用色彩心理学设计视频广告的视觉效果的方法： 首先，了解不同颜色的情感意义。每种颜色都会激发人们不同的情绪和联想。例如，红色常被认为是充满活力和激情的颜色，适合用于强调品牌的活力和创新性；蓝色则常被认为是稳重和可靠的颜色，适合用于强调品牌的稳健性和专业性。因此，在设计视频广告时，需要根据品牌的定…
