RAG Retrieval-Augmented Generation
一句话定义
当前所有联网 AI 搜索引擎的核心底层技术架构：大模型在回答问题前，先通过外部检索引擎（Retrieval）从实时网页索引或向量数据库中找回相关的参考文档片段（Chunks），将这些片段连同用户问题一起塞进提示词上下文（Augmentation），指令大模型严格基于这些外部文档生成回答（Generation）。
打个比方 Analogy
闭卷考试 vs 开卷考试。纯大模型不联网就像是"闭卷考试"，全凭它两年前背过的老课本（预训练语料）硬猜，记不清的地方就瞎编（幻觉）；而 RAG 就是"开卷考试"——考官允许它当场去翻最新印出来的 10 页参考资料，照着参考资料上的准确数字抄答案！
岗位实战怎么做 In Practice
把 RAG 的三个字母拆开，就是你做 GEO 的三大发力点：
- R（Retrieval 检索阶段）：靠 传统 SEO（Google/Bing 排名）+ 语义向量相关性，确保你的网页被选进那前 10 页"开卷参考资料"里；
- A（Augmentation 上下文组装阶段）：靠 干净的语义化 HTML + 合理的段落切块（Chunking），确保你的核心段落被完整无损地塞进大模型的上下文窗口（Context Window），没被广告代码截断；
- G（Generation 生成采信阶段）：靠 高事实密度、具体数字、清晰对比表与权威背书，让大模型在阅读 10 份参考资料时，优先采纳你写的那句话作为最终答案并打上角标
[1]！
案例与避坑 Pitfalls
面试时能用这三步把 RAG 与 SEO/GEO 的关系讲清楚，面试官当场就会给你打满分。