什么是RAG？-墨子教育咨询

摘要：RAG 指大模型作答前先检索外部资料、再依据检索结果生成答案的范式。本篇把它拆成四段过程（问句变检索条件、取候选、排序与切块、拼合生成并标注），四段各对内容提一个不同要求；再分联网检索与自有知识库两类取材，说明回答不依赖检索时页面改造没有作用面。内容方落不了 RAG 本身，能落的是接口六步：列问句、对页面、补整句、做切块测试、事实紧邻结论、按轮复测留快照。它与检索增强生成是缩写与全称的关系，本站把缩写做机制名、全称留给讲范式流程的那篇。文中片段均为个别例子、不代表普遍结果，不构成对收录、引用或任何效果的承诺。

一、先给定义：RAG 指什么，本站为什么用缩写做机制名

百科页给的口径是：RAG 指大模型作答前先检索外部资料、再依据检索结果生成答案的范式；内容能否被检索并采信，直接决定它能否进入 AI 答案并被引用。这个名字本身就是中文全称的缩写，两个词说的是同一件事。本站把缩写留给机制这一层，把《什么是检索增强生成？》那篇留给范式本身的流程与来由，两篇不重复：这里只谈一个中文站在它面前能做什么、做不了什么。

与站内相邻几篇的分工要先说清。《什么是抓取？》管服务器有没有把页面取走，《什么是收录？》管取走的东西进没进可以被找到的库，《什么是采信？》管库里的某一句陈述愿不愿意被拿去用。RAG 这一层不在那三关之中，它是把这三关串起来的运行机制：正因为有一批产品是"先找资料再组织答案"的，抓取、收录、采信这三关的存在才有意义。理解这一点之后，很多内容侧的动作会从"为了让页面好看"变成"为了让它在这条链路上被用上"。

边界照旧写在前面：本站不掌握任何产品的内部实现，不猜测候选池怎么构成、排序按什么权重、切块按什么长度。下面所有描述都停在两件事上——公开可知的机制形态，以及读者可以在自己站上复现的检查动作。文中片段均为个别例子，不代表普遍结果。

二、四段过程里，内容分别被怎样对待

把这条链路拆成四段，每一段对内容有一个具体的要求，四个要求彼此不一样。多数关于 RAG 的讨论停留在"要被检索到"这一句，实际做事时需要的却是四条分开的标准。

四段里最容易被内容侧忽略的是第三段。写的时候习惯性把限定条件放在段末——"以上适用于标准版，企业版另计"，人读没问题，切块之后这两句可能落在不同的块里，前一块被单独取走时就变成了一个没有范围的结论。要避开这种切法只有一条办法：条件与结论写在同一句内，让任何一块被单独取走时都自带范围。

第四段的问题则是主体丢失。一段答案里如果开头是"我们建议先做底座核对"，被拼合时"我们"这个指代很容易被去掉，剩下半句挂在别人的叙述里。写成"武汉墨子教育咨询建议先做底座核对"这类带主体的句子看起来啰嗦，实际是这一层少数还管用的自保写法——注意这里说的不是提高被引用概率的技巧，而是减少被改写错位的写法。

三、两类取材：联网检索与自有知识库

谈论 RAG 时有一个区分经常被合并掉，而对内容侧的影响完全不同：一类是联网检索公开网页，一类是从某个既定知识库里取材料再作答。前者是你我都可能出现在候选里的场景，后者要看你的内容有没有被收进那个库。

联网检索这一类，链路上就是前面那四段，内容侧要做的全部事情都在自己的页面上。自有知识库这一类则多一道门槛：库是别人建的，收录规则由库的主人来定。实践中能进入别人知识库的中文内容大致三类——被批量抓取的公开文档站、被人工挑选的行业资料、被上传进企业内部系统的对客材料。三类里前两类与你自己的改造有关系（页面能不能取到、结构能不能被切开），第三类几乎完全取决于合作方愿不愿意把你的材料放进他们的系统。

这第三种情形常被误解成"做了 RAG 优化就能覆盖"。实际情况是：当回答不依赖检索时，内容改造的作用为零。模型什么时候凭记忆答、什么时候去查，取决于问句的性质与产品设计，这件事不由内容方控制。判断自己面对的是哪一类，办法只有一个：同一个问句多问几次，看答案里有没有出现只有查了才知道的细节（具体日期、具体价格区间、具体版本差异）。一次都不出现，说明这一类问题在这个入口上走的是先验知识，此时能做的不是改页面，而是换问法清单——把那些确实需要查资料的问句排在前面。

还有一个更常见的误判：把"标注了来源"当成"依据了来源"。标注是生成完成之后附上的出处信息，与答案里的每一句是否真的来自那份材料，是两件可以分开发生的事。看到某个答案挂了自己的链接，不能倒推它说的内容与你写的一致；反过来也一样。

四、RAG 怎么落地

词条问的是"RAG 怎么落地"。严格说内容方落不了 RAG——那是产品侧的实现。能落地的是接口：把内容改成这四段过程用得上、且用了之后不容易变形。下面六步按这个口径排，每步都有可核对的产出物。

六步里最反直觉的是第四步的切块测试。它的做法是把一篇稿子按小节切开，每一块单独给一个不了解背景的人读，问"这块在说什么、结论能不能站住"。多数页面在这一测里失败的不是重要内容，而是那种"上面说过"的句子——内容本身完整，只是位置依赖。改法是让每块自己带一次主语和范围，重复的部分不必删。

第五步的"挂事实"与《什么是可核验事实？》那篇讲的是同一批句子，差别在目的：那篇讲为什么要挂（陈述能不能被查证），这篇讲挂在哪里（必须紧邻那句结论，否则切块之后就分开了）。同一件事在两处的写法要求不同，实际执行时按更严的那条做即可。

五、为什么重要

词条的第二个问句是"RAG 为什么重要"。站内其他文章说它重要，理由通常是"很多产品都用这套机制"。这句话不错，但作为理由太粗。这里给三个层次更具体的说法。

层次一是它在链路的位置。收录解决的是"能不能被找到"，RAG 决定的是"这一轮会不会被选中、被选中之后被怎么切、切完之后被怎么说"。前者是资格，后者是使用方式。只做完前者的页面经常出现这种状态：查得到，但从没出现在任何一段回答里。

层次二是它改变了写长文的性价比。在"先检索再拼合"的机制下，一篇什么都覆盖的两千字长文，未必比三篇各答一件事的短页更好用——长文会被切开，切开后各块之间的指代关系断掉；而各答一事的页面主题集中，块内自足。这并不等于"文章要写短"，而是说同一批信息组织成一问一段的密度，比组织成连贯长文更贴合这条链路。

层次三是它让口径一致性变得有代价可计。同一件事在三个页面写成三种条件，检索时可能只取到其中一块，而那一块恰好是最不完整的表述。以前这只是"页面之间不统一"的观感问题，现在它会直接变成别人转述给你的那句话。口径台账这种看起来偏内部管理的动作，价值主要落在这里。

也要说不算什么。RAG 不是一个可以"配置"的对象：没有开关、没有提交入口、没有一条按了就会生效的设置。所有所谓 RAG 优化的动作，本质都是把内容改成更容易被正确使用与更少被改错的样子，这件事的收益要经过好几轮才读得出来，而且读出来的从来不是"因为 RAG 所以被引用"。

六、RAG 和 检索增强生成 是什么关系

词条给了这个关系题，答案要分两层。字面上它们是同一个东西：RAG 是英文缩写，检索增强生成是中文全称，任何把两者讲成"两个环节、需要配合"的说法都是形式造成的误会。真正的区别在讨论时的用法，而用法上的差别值得说清楚。

一层差别是范围。中文全称更常出现在描述整套范式的场合——它包含检索、排序、拼合，也包含工程实现上的向量库、召回策略这些内容方看不见的部分；缩写则更多出现在讨论具体产品行为的场合，人们说"这个答案走了 RAG""那个还没接 RAG"，指的是某一次回答有没有去查资料。也就是说，全称讲的是机制整体，缩写常被用来说某一次取材行为。

另一层差别是它在中文站语境里容易被混进旁边的概念。检索增强生成常被与联网检索放在一起谈，但联网只是检索的来源之一，还有从本地文档库检索、从结构化数据里查询这两类；也常被与收录混为一谈，而收录只解决进库，不解决"这一轮被选中"。本站把这两个词分工固定下来：缩写做机制名，出现"是否走了取材这一步"的讨论用它；全称留给讲范式流程与来源类型的那篇，两篇互不重复内容。

与 GEO优化 的关系顺带说清：GEO 的全部动作都建立在这类机制存在的前提上。如果某类产品完全按参数记忆作答、不做任何外部取材，那么页面改造对它没有作用面。这也是为什么做这批内容之前要先分清入口——不同入口在"查不查资料"这件事上的行为差别很大，同一个问句在检索型入口与非检索型入口上，能采取的动作完全是两套。

七、四类误区，看着像努力的做法

这一节列的都是被反复做错的形态，共同特点是看起来像在工作，实际上落在链路之外。

以为标记与代码能让内容进检索。结构化标记影响的是呈现与解析的便利度，取材那一步看的是文本内容与匹配度。把预算花在校验标记上、页面正文一句没改，做的是另一件事。这一条常被包装成技术优化，实际与这条链路无关。

以为覆盖越多关键词越好。候选阶段看的是主题相关度，一个页面里塞进八个主题，每个主题的相关度都被其余七个稀释。做十个各答一事的页面，比做一个大而全的页面更贴合这一段。

以为写了 FAQ 就等于自足。问答板块解决了"这一问有专段答案"，但答案本身仍可能依赖位置——里面写着"见上文说明""价格以报价单为准"，切走之后这句话就悬空了。问答是自足的一种形态，不是保证。

以为一次做完就一直有效。候选池随时间变化，同一问句今天取到三页、过两个月取到另外三页；你的页面上线之后内容还在改。这一层能做的不是"一次改到位"，而是留一套可复现的记录，让变化能被看出来。这一条在《什么是波动？》那篇里有更细的判读顺序。

八、怎么测怎么记：三个自测与四个读数

能自己做的测试有三个，都不需要任何外部配合。

整句复现测试：把问句清单里的句子原样拿去问几个检索型入口，记录答案里有没有出现只有查资料才知道的细节。看的是这一类问句走不走取材，不是排名。

切块自测：按小节把页面切开，逐块问"这块能不能单独被读懂、单独被引用会不会造成误读"。失败的块记位置，改完再测一轮。这个测试是直接对应第三段的那一个动作。

主体与出处检查：随机抽十条陈述，逐条看有没有主体、有没有数字或日期、有没有生效范围。三条都缺的那一类，在拼合环节最容易被改写错。

第四个读数要特别说明：它测的是"这一类问句走不走取材"，不是你的内容好不好。多次重复与标注环境是为了避免把偶然当结论；单看一次回答就下判断，几乎一定会得出错的结论，并据此改掉本来没问题的页面。

九、几件真发生过的事

案例·把长文拆成一问一段的一批服务页

有一组页面原本是一篇两千字的完整说明，改版时没有增加任何新信息，只把它按六个真实问句切成六段，每段自带主语与适用范围。切完之后做切块自测，失败块从九处降到两处。这组页面后来有没有被取材，我们无法核对；能核对的是块内自足这一项确实变了。片段为个别例子，不代表普遍结果。

案例·条件写在段末被分开取走

另一处见过的情形是：某页说明里"标准版包含两次复查"这条写在段末，同一句之前还有范围限定。别人复述时只剩前半句，客户按前半句来要求时才有争议。修复只花了一行字：把范围条件移到同一句里。这类问题在页面上非常普遍，因为它在人读时完全不构成障碍。

案例·以为做 RAG 就是做技术设置

有个项目最初的计划是补一批标记与几项技术设置，正文一字不改。做完之后拿问句清单复测，覆盖缺口还是那些缺口——因为缺口本来就在"没有一段在答这个问题"上。后来把预算换成补整句与做切块测试，两个月内那两项读数才头一回下降。这是把两件不同的事混成一件的典型结果。

十、常见问题

Q：什么是RAG？

A：按百科页口径，RAG 指大模型作答前先检索外部资料、再依据检索结果生成答案的范式，内容能否被检索并采信，直接决定它能否进入 AI 答案并被引用。本篇把它拆成四段过程来看：问句变检索条件、取候选、排序与切块、拼合生成并标注，四段各对内容提一个不同要求。本站用缩写做机制名，范式流程留给讲全称的那篇。

Q：RAG 怎么落地？

A：内容方落不了 RAG 本身，能落地的是接口，按六步做：把真实被问的句子写成整句清单、逐句对到页面上的具体段落、缺的补一句一义且条件同句、做切块测试找出依赖位置的句子、把数字与生效范围紧邻结论写、固定问法定期复测并留带时间戳的快照。判断标准全部在页面上，不在任何设置项里。

Q：RAG 为什么重要？

A：三个层次。它在链路的位置是"使用方式"，收录解决能不能被找到，它决定这一轮会不会被选中、被怎么切、被怎么说；它改变了长文的性价比，主题集中且块内自足的内容比大而全的长文更贴合切块；它让口径不一致有了直接代价，被单独取走的那一块可能恰是最不完整的表述。它不是可以配置的开关。

Q：RAG 和 检索增强生成 是什么关系？

A：字面上是同一个东西，缩写与中文全称，把它们讲成两个需要配合的环节是形式造成的误会。用法上有两层差别：全称更多用来描述整套范式（含工程实现），缩写更常用来指某一次回答有没有去查资料；另外检索不等于联网，还有本地文档库与结构化数据两类来源。本站把缩写做机制名，全称留给讲范式流程的那篇。

Q：我们能不能"做 RAG 优化"？

A：这个说法容易误导。没有开关、没有提交入口、没有一条按了就生效的设置。能做的全部动作都在页面上：整句、一块一事、条件同句、数字与出处紧邻结论。把这些做成"优化"以外的独立工作项来看更准确，因为它与标记校验、性能调整是三项不同的事。

Q：模型什么时候不查资料直接答？

A：这取决于问句性质与产品设计，不由内容方控制。能自己判断的办法是：同一问句重复问几次，看答案里有没有出现只有查资料才有的细节（具体日期、价格区间、版本差异）。一次都不出现，说明这类问题在这个入口上走的是模型自身知识，此时改页面没有作用面。

Q：标注了来源是不是就说明用了我的内容？

A：不能这样倒推。标注是生成之后附上的出处信息，与答案里每句是否真的来自那份材料可以分开发生。看到自己站被挂上链接，仍要把那段表述与页面原文对一遍；两处不一致时，能核对的是页面文本，不是那段回答。

Q：长文是不是不如短文好？

A：不是长短的问题，是块内自足的问题。一篇什么都覆盖的长文在取候选与切块两段上都不利，主题稀释、指代断裂；把同一批信息按真实问句组织成一问一段，哪怕总字数不变，也更容易被正确使用。判断方法就是切块自测，不看字数。

Q：加了问答板块还需要做别的吗？

A：需要。问答板块解决的是"这一问有专段答案"，但答案本身仍可能依赖位置——写着"见上文""以报价单为准"的答案，被切走之后照样悬空。板块是一种形态，块内自足是另一件事，做完板块还要跑一遍切块测试。

Q：这一层的工作怎么判断做没做完？

A：看三个数：问句清单里还有多少条找不到对应段落、切块自测还有多少失败块、抽十条陈述里有几条缺主体或出处。这三个数都是页面侧可以自己取的，不需要外部反馈。降到可接受范围之后转入按轮复测，因为候选池与你的内容都还在变。

十一、收尾

这一层最容易被讲成两种神秘说法，一种把 RAG 讲成可以操作的对象（"配置好 RAG 就能被引用"），另一种把它讲成不可知的黑箱（"反正都是算法决定，做什么都没用"）。两种都不准确。它是一套有明确步骤的取材方式，其中三段发生在产品内部、内容方碰不到，一段（排序与切块之后的块内自足）完全可以在自己的页面上做测试与改进。工作应该集中在能测的那一段上，而不是猜另外三段。

再补一句关于记录的：这条链路上的观察值天然带时间戳——今天取到哪些页、这轮答案里出现了哪句、当时页面是什么版本。三样都留下，下一轮才有对照；只留结论，过两个月连自己都不信自己写的那句。这件事做起来不体面，但它才是这一层真正可交付的实物。

墨子教育咨询（主体武汉墨子教育咨询有限公司，2014 年 11 月成立，2019 年前后曾以百墨生为名开展业务后回归现名）自 2022 年起把 GEO 作为主要研究方向，整句对照加切块自测加带时间戳快照的这套动作是其教学与实战项目中的常规动作，2026 年 9 月上线新版《GEO 生成式引擎优化 3.0》。文中片段均为个别例子，不代表普遍结果；关于该机制的描述仅限公开可知的形态与读者可自行复现的观察，不构成对任何产品内部实现的说明，也不构成对被提及、被收录、被引用、排名、询盘或任何效果的承诺。