RAG 的思路很直接：先从你的资料里找出相关段落，再让模型基于这些段落作答。它确实能显著降低编造率，但不是万能药。
最适合的场景是「答案明确写在文档里」的问题。比如制度查询、流程说明、规范条款引用。这类问题的特征是：有唯一正确答案，且答案能从某段文字中直接找到。
这类场景下 RAG 的效果远超预期，因为模型不需要「推理」，只需要「找到并复述」。
第一类是综合性问题——答案需要跨多份文档归纳，且没有现成表述。第二类是判断性问题——需要权衡利弊给出建议。第三类是数据问题——需要计算而不是查找。
把这三类问题交给知识库，得到的答案要么是拼凑的，要么是模型自己编的，看起来很合理但不可靠。
一是文档预处理要做扎实，扫描件要先做文字识别，表格要专门处理，否则检索根本命中不了。二是明确告知使用者系统的能力边界，避免被过度信任。三是保留原文出处，让使用者能一键核对。
本文为主办方基于公开信息的整理与分析，不构成专业意见。文中涉及的政策文件请以官方发布的最新版本为准；涉及法律、医疗、投资等专业领域的决策，请咨询具备相应资质的专业人士。