定义¶

Retrieval-Augmented Generation，将外部知识检索与 LLM 生成结合的技术范式。查询时从文档库中检索相关片段，注入 prompt 后由 LLM 生成回答。

关键要点¶

• 每次查询都重新发现知识，不保留跨查询的积累
• 交叉引用在每次查询时临时构建，无法形成持久化的知识网络
• 综合能力受限于单次检索到的片段，难以跨文档合成
• 实测中，Wiki + RAG 的混合方案（Wiki 提供上下文，RAG 做验证）在所有测试中从未输过
• "大部分完成"的文档比"完全编译"的文档效果差 17%，说明 RAG 对文档完整性敏感

与 LLM Wiki 的对比¶

相关概念¶

• llm-wiki-pattern
• 知识复利
• shannon-entropy — RAG 的检索有效性与文档信息密度（熵）相关：高冗余文档检索效率低，Wiki 预编译 = 信源编码压缩冗余