• 从企业知识库中检索与用户查询相关的内容： 系统首先根据用户查询，将自然语言问题转化为检索指令；通过嵌入向量检索（ embedding search ）、关 键词检索（ keyword search ）或混合检索（ hybrid retrieval ），从企业知识库中迅速筛选出与问题最相关的一组文档片段。这一过程不仅比传统全文检索 更灵活高效，还能处理语义相似但措辞不同的问题。 • 动态构建上下文提示（ prompt ） ：检索回来的内容经过筛选、重排序，并被自动组织成新的提示上下文，与用户原始提问一起拼接，形成 " 携带知识 " 的复合输入。这一动态构建的上下文，是 RAG 系统生成准确回答的基础。 • 模型生成推理式回答 ：最终，大语言模型（ LLM ）在接受到包含检索知识的新提示后，基于外部知识和自身推理能力，生成针对性的自然语言回答。 简单来说， RAG 就像是给大模型装了一个随身小图书馆，每次回答问题前，它可以先去翻翻书，再动笔答题。 这大幅提升了回答的准确性和时效性，使 RAG 被视为现代 AI 应用栈中的重要架构 —— 连接通用大模型与面向企业的高效 AI 应用的的关键纽带。 Z Highli ...