RAG 是什麼？一句話：它是一套讓 AI「先去查資料、再回答」的方法，這樣它就不會只憑記憶亂掰，講出來的東西有憑有據。你最近如果一直在 ChatGPT、Perplexity、Google AI 摘要裡看到這三個字母，這篇我用最白話的方式，把 RAG 到底是什麼、怎麼運作、能拿來做什麼，一次講清楚。
一句話總結：RAG 就是「Open Book」版的 AI，答題前先翻你給它的那本書，答案才準、才不會唬爛。
RAG 是什麼？
RAG 的全名是 Retrieval Augmented Generation，中文叫「檢索增強生成」。名字很饒舌，但拆開就三件事：Retrieval（檢索，先去找資料）、Augmented（增強，把找到的資料塞給 AI 當參考）、Generation（生成，AI 根據參考寫答案）。合起來就是：AI 在回答你之前，先去一個資料庫把相關的內容撈出來，讀完再回答。
你可以把一般的 AI 想成「Closed Book」，它只能靠訓練時背下來的東西答題，遇到沒背過、或記錯的，就開始唬爛，這就是大家常聽到的「AI 幻覺」。RAG 則是把它變成「Open Book」，答題前先翻一本你指定的書，答案有出處、也不容易掰錯。差別就這麼直觀。
RAG 解決什麼問題？為什麼突然大家都在講
一般的大型語言模型有三個先天的痛：第一，它會唬爛，不知道的也講得煞有其事。第二，它的知識有「賞味期限」，訓練資料切在某個時間點，之後發生的事它不知道。第三，它看不到你公司內部、你私人的資料，因為那些根本沒進它的訓練集。
RAG 一次補這三個洞：你把「即時的、私有的、正確的」資料放進一個資料庫，讓 AI 每次回答前都先去翻，它就能講出最新的事、講出你公司文件裡的內容，而且因為答案是「照著資料寫的」，唬爛的機率大幅下降。這也是為什麼企業導 AI 幾乎都繞不開 RAG。
RAG 怎麼運作？三個步驟拆給你看
照著它的名字走就懂了，一次三步：
- 檢索（Retrieval）：你問一個問題，系統先把你的問題轉成一串數字（叫「向量」，下一段解釋），拿去資料庫裡找「意思最接近」的幾段內容。
- 增強（Augmented）：把找到的那幾段內容，連同你原本的問題，一起打包丟給 AI，等於先塞一疊小抄給它。
- 生成（Generation）：AI 根據這疊小抄寫出答案，通常還能附上是從哪一段資料來的，方便你核對。
打個比方，這整套就像你去問一個很厲害的圖書館管理員問題。他不會憑印象亂答，而是先衝到書架把相關的幾本書抽出來、翻到對的那幾頁，再根據那幾頁回答你，還會告訴你「這在第幾本書第幾頁」。RAG 就是幫 AI 裝了這位管理員。
先搞懂地基：向量、Embedding、向量資料庫
RAG 那個「檢索」的步驟，底下靠的是向量。這幾個詞常一起出現，我一次幫你分清楚。
- 向量：在 AI 裡，一段文字會被轉成「一串數字」，例如 [0.12, -0.83, 1.44, …]，這串數字代表這段文字的意思、主題、語氣。意思接近的兩段文字，數字也會接近。
- Embedding：把文字變成上面那串數字的「轉換過程」，就叫 Embedding（嵌入）。
- 向量資料庫：專門用來存這些數字、而且能超快找出「哪幾筆意思最接近」的資料庫。它就是 RAG 檢索那步的引擎。
你可能會問，那不是用關鍵字搜尋就好了嗎？差別在這：關鍵字是「字要一樣」才找得到，向量找的是「意思接近」。你問「怎麼退貨」，向量能找到寫著「退換貨流程」的那段，就算它一個「退貨」都沒寫。這種「懂你意思」的搜尋，才撐得起 AI 問答。
RAG 可以拿來做什麼？
知道原理之後，用途就很好想了。幾個最常見的：
- 企業知識庫問答：把公司的規章、文件、產品手冊丟進去，員工直接問 AI，它照文件回答，不用自己翻。
- 客服機器人：接上你的常見問題與說明書，讓 AI 回答時有所本，不會亂承諾。
- 讓 AI 讀你的檔案：把一堆 PDF、報表丟進去，問它裡面的內容。
- AI 搜尋引擎：你天天在用的 Perplexity、Google AI 摘要，本質上就是超大型的 RAG，先去網路檢索、再生成答案並附連結。
那我直接把檔案貼給 ChatGPT 不就好了？
這是最多人會問的一句，答案是：檔案少、一次性，直接貼沒問題，檔案多、要重複用，就得靠 RAG。你想想，你總不能每次問問題，都把公司那幾百份文件重貼一遍，而且 AI 一次能讀的量（也就是它的「上下文」）有上限，貼太多它根本吃不下，還會愈貼愈貴。RAG 的聰明之處在於，它不是把整座圖書館搬給 AI，而是每次只精準抽出「跟這個問題有關的那幾頁」丟給它，省錢、省時、又抓得到重點。這也是為什麼一到「資料很多、要一直問」的場景，大家就會從「直接貼」換成 RAG。
進階一點：Agentic RAG 是什麼？
傳統的 RAG 是「查一次、生成一次」，問題丟進去、撈一批資料、寫答案，結束。Agentic RAG 則是把 AI 代理的能力加進來，讓它自己判斷：這題要不要查？查一次不夠要不要再查？該去哪個資料庫查？甚至查完發現不對，再換個問法重查。等於從「一問一答的查詢」升級成「會自己規劃怎麼查」的代理。它更聰明，但也更慢、更花錢，適合真的複雜的任務。
RAG 不是萬靈丹：它的限制我也一次講白
這段是我要特別提醒的，因為市面上把 RAG 講得像仙丹的太多了。老實說它有幾個很現實的坑：
- 垃圾進、垃圾出：RAG 只是「照著你給的資料回答」，你丟進去的資料如果錯、過期、雜亂，它照樣一本正經地講錯，而且因為有「出處」看起來更可信，反而更危險。
- 幻覺沒有歸零：很多人以為裝了 RAG 幻覺就消失，其實它只是「大幅降低」，不是消滅。檢索沒找到對的東西時，AI 還是可能自己補。
- 切資料很吃工：文件要怎麼切成一段一段、Embedding 用哪個模型、要撈幾段，這些調不好，檢索品質就差，整套就跟著爛。
- 成本與延遲：每次回答都多一道檢索，速度會慢一點、也多一份成本，不是每個場景都划算。
所以我的建議是：RAG 很好用，但別把它當「裝了就準」的開關，它比較像「幫 AI 配一個資料來源」，資料本身的品質，還是要你自己顧。
常見問題
RAG 跟微調（fine-tuning）差在哪？
簡單分：RAG 是「給 AI 一本可以隨時翻的書」，資料換了就換書、很好更新，微調是「把知識直接練進 AI 的腦子裡」，改一次要重練、成本高。要即時、常變、私有的資料，用 RAG，要改變模型的風格或固定能力，才考慮微調，兩者也常一起用。
RAG 能完全消除 AI 幻覺嗎？
不能，只能大幅降低，它讓答案「有所本」，但檢索沒撈到對的內容、或資料本身就錯的時候，AI 還是可能掰，這種一本正經亂講的現象就是AI 幻覺。把它想成「大幅減少」而不是「歸零」，你的期待才會對。
不會寫程式，需要懂 RAG 嗎？
需要懂「概念」，不需要會「實作」。你如果是產品經理、行銷、或任何要決定「公司要不要導 AI」的人，懂 RAG 是什麼、限制在哪，你才問得出對的問題、也才不會被廠商唬。實作交給工程師，判斷留給你。
向量資料庫有哪些？
常聽到的有 Pinecone、Weaviate、Milvus、Chroma，還有很多傳統資料庫也加上了向量功能（像 PostgreSQL 的 pgvector）。對一般人來說，你不用記這些名字，只要知道「它們都是拿來存向量、做語意檢索的地基」就夠，選哪一個是工程團隊看規模和成本去決定的事。
講到底，RAG 做的事很樸實：它不是讓 AI 變更聰明，而是讓 AI「有所本」，回答前先去翻該翻的資料。這在「AI 很會講、但你不知道能不能信」的今天，其實是最要緊的一件事。你下次再看到 RAG，就想到那句話，Open Book 的 AI，答案有出處、才敢信。