AITerms 登入
iPAS 初級 生成式AI自然語言處理大型語言模型

檢索增強生成(Retrieval-Augmented Generation)是什麼?

RAG(檢索增強生成)讓 AI 回答問題前先查詢外部知識庫,再結合查到的資料生成答案,大幅減少幻覺、提升回答準確性。

完整定義

檢索增強生成 (Retrieval-Augmented Generation, RAG) 是一種結合了資訊檢索和文本生成技術的方法。它首先從外部知識庫中檢索相關資訊,然後利用這些資訊來增強生成模型的輸出,使其更準確、更具資訊性。在 iPAS 考試中,RAG 相關知識點可能涉及資訊檢索方法、知識庫構建以及生成模型評估等方面。

白話說明

你問 AI 一個公司制度問題時,會不會希望它先去查資料,再回答你?

你可以把 RAG 想成先翻書再作答的助理,先找資料,再把資料整理成答案。

它重要是因為大模型不一定記得最新資訊,RAG 可以把外部知識接進來,減少幻覺。

記住這句

先查再答,RAG 才比較不會胡說。

比喻:RAG 就像開卷考試 -- AI 回答問題前先查資料庫找到相關內容,再根據找到的資料生成答案,而不是完全靠記憶回答

容易混淆

RAG vs Fine-tuning

RAG 是回答時先檢索再生成

Fine-tuning 是先把模型參數訓練成特定風格或能力

最關鍵的區別是外部知識放在哪裡。

RAG vs 一般搜尋

RAG 會把查到的內容再用模型整理成完整回答

一般搜尋只把相關文件列給你看

最關鍵的區別是有沒有生成能力。

實際案例

企業客服

員工問報銷規則時,系統先從內部文件檢索,再用 LLM 整理成易懂回答。

法規問答

當法規更新很快時,RAG 可以先抓最新條文,再產出較準確的摘要。

演算法與應用

典型流程是問題向量化、檢索候選、重排序、把片段塞進提示詞再生成。

RAG 的價值不只在答得像人,更在於能把答案和來源一起帶出來。

如果檢索品質差,生成再強也會答歪,所以檢索層很重要。

情境判斷

Q1(直覺題):模型回答前先去內部知識庫找資料,再整合成答案,這是什麼?

這就是 RAG。

Q2(判斷題):RAG 既然會檢索外部知識,還會不會答錯?

還是會。只要檢索到錯資料、片段切分不好或上下文放錯,答案就可能偏掉。

iPAS 考題

Q:iPAS 常怎麼考 RAG?

A:常考它的流程、跟 Fine-tuning 的差別,以及它如何降低幻覺。

常見問題

範例考題

某企業建置檢索增強生成(Retrieval-augmented generation, RAG)系統支援內部知識查詢。隨著使用量提升,團隊發現模型回覆品質穩定,但推論延遲與運算成本逐漸增加。專案規劃在維持回覆品質前提下進行效能優化。在此情境下,若採用知識蒸餾(Knowledge Distillation),下列敘述何者最為合理?

  1. A將檢索資料轉換為結構化規則以取代模型
  2. B僅透過增加檢索文件數量改善效能
  3. C停用生成模型以避免延遲問題
  4. D使小型模型學習大型模型行為,以降低推論成本
到題目頁作答

某企業建置基於檢索增強生成(RAG)的法遵知識輔助系統,用於整合法規條文、內控制度與歷史函釋文件。系統運行後發現,每當法規更新或新增解釋文件時,需重新建立完整索引,導致更新期間系統暫停服務,且部分回應偶有引用舊版內容的情形。若希望在兼顧查詢效率的同時提升知識更新彈性與系統穩定性,下列何者最適合?

  1. A提升模型推論資源配置,以維持高流量查詢時的回應效能
  2. B調整語言模型的輸出限制機制,以降低生成內容與法規不一致的風險
  3. C建立固定法規問答對照表,以規則化方式優先回應常見問題
  4. D導入可支援增量更新的索引管理方式,使異動文件可即時反映於檢索結果
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,有 12 題把檢索增強生成列為延伸術語,這裡列出 5 題。

立即測驗

想測試你對 檢索增強生成 的掌握程度?用考古題作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:ipd.nat.gov.tw

考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。

其他格式:Markdown 版本