RAG
检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合信息检索与大语言模型生成能力的人工智能技术框架。其核心机制是在生成回答前，先从外部知识库中检索相关文档或片段，将其作为上下文输入模型，从而使模型能够利用最新或领域专属知识进行回答，有效缓解大语言模型的幻觉问题和知识截止局限性。
核心事实
时间轴 (近 90 天)
对于开发检索或RAG系统的团队，不应把模型评测结果绑定在单一标注体系上，多角度交叉验证才能得到更可信的性能判断
面对复杂或模糊的用户意图时，单一查询往往不足以召回完整信息，Agent需要拆解出一个核心查询并辅以补充查询来覆盖信息的不同侧面
Engram是模型内部权重结构的一部分，而非像RAG那样调用外部知识库
对于需要审计、解释、问责的应用场景（如金融、医疗、法律、合规），仅有相似度是不够的
向量搜索能召回相似度得分高的文本块，但无法解释答案背后的推理逻辑，也无法在结构上连接散落在不同文档里的事实
对于依赖RAG（检索增强生成）架构的AI应用，检索质量直接决定输出质量
外部检索相当于绕过内部压缩瓶颈，直接解除B的比特限制
在该框架下RAG之所以有效是因为它把事实存储外置，从根本上避开了内部比特预算的率失真极限
随着RAG（检索增强生成）、Agent等技术的普及，上下文的构建和管理变得愈发重要
ai-tutorials 教程的目标是从 0 开始带领开发者掌握用 langchain4j 实现 RAG、Agent、MCP 等概念和应用开发
还有 40 条时间轴事件
全部知识事实 (20)
RAG（检索增强生成）架构由 Meta AI 研究团队在 2020 年提出
90%已验证混合检索（Hybrid Search）将向量检索与BM25关键词检索的结果通过RRF（倒数排名融合）等算法合并，兼顾语义理解与精确匹配
90%已验证RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%已验证RAG的本质是将参数化知识（固化在模型权重中的知识）与非参数化知识（企业自有的可实时更新的外部知识库）解耦
80%已验证RAG（检索增强生成）技术由Meta AI在2020年首次提出，旨在解决大语言模型的知识截止日期限制和幻觉问题
80%已验证检索增强生成（RAG）架构在模型生成响应前从外部知识库检索相关结构化数据，并将其作为上下文注入以产生更准确的答案
80%已验证LangChain是目前最流行的大模型应用开发框架，提供了链式调用、记忆管理、工具调用等抽象层
80%已验证RAG技术路线已从朴素RAG演进到高级RAG和模块化RAG
80%已验证RAG（检索增强生成）的核心思想是在大模型生成回答之前，先从外部知识库中检索相关文档片段作为上下文注入Prompt
80%已验证Agent的记忆系统通常分为三个层次：工作记忆（当前对话上下文窗口）、短期记忆（近期交互历史）和长期记忆（通过向量数据库持久化存储）
80%已验证Claude Code通过智能索引和检索增强生成（RAG）技术动态加载相关文件到上下文中
80%已验证RAG的技术演进经历了三个阶段：Naive RAG、Advanced RAG和Modular RAG
80%已验证RAG（检索增强生成）是目前企业级AI应用中最主流的技术方案之一
80%已验证RAG的概念最早由Meta AI（原Facebook AI Research）在2020年的论文中正式提出
80%已验证长期记忆Agent通常基于RAG（检索增强生成）技术构建，通过向量数据库将信息转化为高维向量并持久化存储
80%已验证RAG解决了大语言模型的知识截止日期和幻觉两个根本缺陷
80%已验证AI Agent底层通常由大语言模型（LLM）驱动，配合工具调用、记忆模块和规划框架（如ReAct范式）实现复杂任务自动化
80%已验证Cursor的核心技术是检索增强生成（RAG），通过对本地代码库建立向量索引来提供代码上下文
80%已验证检索增强生成（RAG）由Meta AI在2020年提出
80%已验证LlamaIndex专注于数据索引与检索场景，在RAG应用构建方面具有更精细的控制能力
80%