正确检索：答案可引用
检索片段覆盖了问题所需的关键事实，模型能把证据组织成答案。
答案既回答问题，也能指出依据来自哪段材料。
RAG 的收益来自把正确证据放进上下文，而不是让模型凭空更聪明。MVP Demo 01
RAG：大模型如何连接外部知识？
为什么只靠模型参数回答问题不够？这个 demo 用分步 SVG 流程解释检索、 重排、拼接上下文和生成回答之间的关系。
教学型交互案例
RAG：大模型如何连接外部知识？
为什么只靠模型参数回答问题不够？
1 / 7
用户提出一个问题
问题先以自然语言进入系统。RAG 的目标不是让模型凭记忆猜，而是先找到可引用的外部证据。
学习目标
- 理解 Query → Embedding → Vector DB → Reranker → Prompt → LLM → Answer 的基本流程。
- 观察检索质量如何改变答案可信度和引用价值。
- 说清 RAG 能解决知识更新问题，也会受错误检索影响。
简化说明
本案例是教学示意，不调用真实向量数据库或大模型；节点高亮和文本为预设，用于解释机制直觉。
历史位置
RAG 把大模型接回外部知识系统
它之前的问题是：LLM 的参数知识会过期，也不能直接读取私有文档。 RAG 解决的是把外部证据放进上下文，让答案更可更新、更可追溯。 它没有自动解决错误检索、证据冲突、引用核验和权限控制问题。 后续影响是企业知识库问答、搜索增强 Agent 和更严格的事实性评估。
参考资料