RAG是一种结合了检索和生成两种策略的技术，旨在提升模型的性能，尤其是在处理需要精确信息检索和上下文理解的任务上。而RAG的准确性，则决定了本地知识库最终生成答案的质量与实用性，工具能否支持用户实现或者让用户能以更小的代价、更简单的方式实现RAG，是评判知识库侧工具能力的关键点。

检索增强生成（RAG，Retrieval-Augmented Generation） 是一种创新技术，外部数据源的相关信息整合到语言模型的输出中，增强了语言模型的输出能力。

这意味着 RAG 能查询更广泛的资源，提供比仅依赖训练数据的模型更准确和全面的答案。

RAG 的过程可以简化为两个主要步骤： ​

1. 检索：当提出问题，RAG 首先在知识库中检索相关文档或信息。这类似于在图书馆中快速定位书籍，RAG 能迅速找到最相关信息。
2. 生成：检索到信息后，RAG 结合这些信息和 LLM 生成详细准确的答案。这涉及到分析、整合信息，并以自然语言形式呈现。