这是什么

这周在掘金开发者社区，一篇 RAG 实战教程刷屏 — 它的价值不在"怎么搭"，而在"搭完才发现五个硬伤"。作者把整本《天龙八部》.epub 文件拆碎成 500 字一段，写进向量数据库（一种把文字变成数字坐标、便于相似度搜索的数据库），然后让大模型回答关于小说的提问。

RAG（Retrieval-Augmented Generation，检索增强生成）是当下企业级 AI 应用最常见的技术路径。它要解决一个朴素问题：大模型很会思考，但不知道你公司的内部文档。RAG 就是给模型配一套"翻书系统"——用户提问时，先从知识库里检索相关片段，再让模型基于资料组织答案。

作者特别点出："搭起来只是第一步，知道自己搭的东西哪里不行，才是进步的开始。"这恰好是眼下企业 AI 落地普遍遭遇的处境——demo 漂亮，但生产环境就崩。

行业怎么看

教程后半段列出的"朴素 RAG 五个硬伤"，在 AI 落地圈子里有相当广泛的共鸣。我们整理了两类声音：

乐观派认为，RAG 让企业第一次拥有了"可控的 AI"——相比让模型自由发挥，基于内部文档检索的回答至少不会瞎编，这是合规和可解释性的重大进步。

反对意见同样尖锐。多位资深工程师指出：朴素 RAG 的五个硬伤（切分粒度、检索召回率、长文档上下文丢失、引用溯源不准确、多跳推理失败），每一个都需要单独项目来打磨，没有"开箱即用"的银弹。一位技术负责人直言："很多公司花三个月搭 RAG，效果不如一个训练有素的客服实习生。"

对普通人的影响

对企业 IT：如果你的公司正在评估"AI 助手读懂内部文档"项目，需要警惕 demo 漂亮不等于生产可用，建议先用真实业务场景（比如合同条款检索）做两周压力测试。

对个人职场：RAG 类工具会越来越多地进入办公软件，但目前阶段在精确问答上仍有明显短板，遇到关键决策仍需交叉验证。

对消费市场：市面上号称"AI 知识库"的 SaaS 产品良莠不齐，普通消费者短期内不必为此付费——等头部厂商把基础能力打磨好再说。