AI 小白学 RAG 完全指南

学习日期：2026-06-16

一、什么是 RAG？

RAG = Retrieval-Augmented Generation（检索增强生成）

一句话：让 AI 先查资料，再回答你的问题。

二、没有 RAG vs 有 RAG

没有 RAG（普通 AI）

你：笔记中心有哪些关于 Git 的笔记？

AI 凭记忆回答 → 不知道你笔记中心里具体有什么
→ 回答模糊、可能出错 ❌

有 RAG

你：笔记中心有哪些关于 Git 的笔记？

步骤①：搜索笔记数据库 → 找到《Git 完全指南》
步骤②：把笔记内容 + 你的问题 一起发给 AI
步骤③：AI 读完你的笔记后回答 ✅
→ "你的笔记中心有一篇 Git 入门指南……"

三、RAG 三步走

        你的问题
            │
            ▼
   ┌────────────────┐
   │  ① 检索（Retrieval） │  ← 搜索知识库/数据库
   │  找到相关资料    │
   └────────┬───────┘
            │ 找到的文档
            ▼
   ┌────────────────┐
   │  ② 增强（Augmented） │  ← 资料 + 问题 拼在一起
   │  组装成完整提示  │
   └────────┬───────┘
            │ 组装好的提示词
            ▼
   ┌────────────────┐
   │  ③ 生成（Generation）│  ← AI 阅读资料后回答
   │  输出最终答案    │
   └────────────────┘

四、你的笔记中心本身就是一个 RAG 雏形

搜索功能 = 检索（Retrieval）

你在笔记中心搜索框输入关键词，系统会：
1. 用 SQLite FTS5 全文搜索引擎扫描所有笔记
2. 找到包含关键词的笔记
3. 把结果列表显示给你

如果把搜索 + AI 结合起来

你问："笔记中心有哪些关于 Git 的笔记？"

① 检索 → 搜索到第21篇笔记
② 增强 → 把那篇笔记内容 + 你的问题 拼在一起
③ 生成 → AI 读完笔记后回答：
   "你的笔记中心有一篇《AI 小白学 Git 完全指南》，
   包含了 git init/add/commit/status/log/diff 的讲解"

这就是 RAG 的核心思想！

五、为什么需要 RAG？

场景	没有 RAG	有 RAG
问"我的笔记里有啥？"	AI 不知道 ❌	AI 搜索后回答 ✅
问"今天金价多少？"	不知道实时数据 ❌	搜最新报告后回答 ✅
问"我的代码哪里有 bug？"	只能泛泛而谈 ❌	读取你的代码后分析 ✅

RAG 让 AI 能基于你的私人数据、实时数据来回答，而不是只靠训练时的记忆。

六、现实中的 RAG 应用

产品	怎么用 RAG
🤖 Claude / ChatGPT	上传文件后问问题 → AI 读文件回答
🔍 搜索引擎	先搜网页 → AI 总结搜索结果
🏢 企业知识库	员工问"公司年假政策" → 搜内部文档后回答
📚 笔记中心 + AI	问"我写过哪些关于 API 的笔记" → 搜笔记后回答

七、一句话总结

RAG = 让 AI 先翻书再说话，回答有依据，不会瞎编。

没有 RAG 的 AI 像闭卷考试——全靠记忆。
有 RAG 的 AI 像开卷考试——可以翻书，答案更准 📖✅