—— 让大模型精准掌握企业私有知识的核心技术 一、RAG 是什么？ RAG（Retrieval Augmented Generation，检索增强生成） 是一种将 信息检索 与 文本生成 相结合的技术框架。它通过以下流程解决大模型（LLM）的“知识盲区”问题： & x20; ✅ 核心价值： 突破模型记忆限制 ：直接利用最新/私有数据，无需重新训练模型 & x20; 减少幻觉现象 ：答案基于检索到的

背景 在过去两年中，检索增强生成（RAG，Retrieval Augmented Generation）技术逐渐成为提升智能体的核心组成部分。通过结合检索与生成的双重能力，RAG 能够引入外部知识，从而为大模型在复杂场景中的应用提供更多可能性。但是在实际落地场景中，往往会存在检索准确率低，噪音干扰多，召回完整性，专业性不够，导致 LLM 幻觉严重的问题。本次分享会聚焦 RAG 在实际落地场景中的知

导语 你是否也遇到过这样的情况：RAG系统里的LLM明明很强大，Prompt也精心调校过，但最终的问答效果就是不尽如人意？答案时常上下文不全，甚至出现事实性错误。& x20; 我们排查了检索算法，优化了Embedding模型，却往往忽略了数据进入向量库之前的最关键一步：文档分块。& x20; 不恰当的分块，就像是给模型提供了一堆被打乱顺序、信息残缺的“坏数据”。模型能力再强，也无法从支离破碎的知识