RAG 聊天机器人

RAG 是检索增强生成（retrieval-augmented generation）的缩写。RAG 聊天机器人将大语言模型与一个检索步骤结合起来：当用户提问时，系统会先在知识来源（帮助文章、产品文档、政策、历史工单）中搜索最相关的段落，再将这些段落作为上下文传给模型，这样生成的答案就基于真实、最新的信息，而不只是依赖模型笼统的训练数据。

从机制上讲，知识来源通常会被拆分成若干块，转换为向量嵌入，并存储在向量数据库或搜索索引中。查询时，用户的问题会被嵌入，并与该索引进行匹配，以检索出最接近的段落。这些段落会被插入到提示中，模型据此生成回复，并常常附上指向原始来源的引用。

RAG 相较于单纯语言模型的主要优势在于准确性和时效性。由于答案与检索到的内容挂钩，RAG 聊天机器人能够反映模型训练时尚不存在的信息，保持与你特定政策的一致，并通过为模型提供权威素材来减少幻觉。更新知识库就能更新机器人的答案，无需重新训练模型。

RAG 并非万能良方。答案质量在很大程度上取决于检索质量：如果索引缺少内容、分块不当或返回了不相关的段落，模型仍可能给出错误或含糊的答案。优秀的 RAG 系统会在干净的源内容、合理的分块、强大的检索排序，以及防止模型偏离检索内容的接地校验上投入精力。

Mercateer 正是建立在这种知识优先的模式之上。每个智能体都从你自己的文档、常见问题和政策中检索，并将答案接地于这些素材，从而让回复保持准确、符合政策，更接近一个构建良好的 RAG 系统，而不是只懂得别人事先手工设定好路径的脚本式决策树。