AIPM 课程第六天（线上）笔记，整堂课聚焦一个主题：RAG（Retrieval-Augmented Generation，检索增强生成）。从定义、要解决的问题、运转流程到典型落地场景，是 RAG 知识体系的一次系统铺底。
授课结构
| Part | 主题 | 对应概念页 |
|---|---|---|
| 01 | 什么是 RAG？ | RAG |
| 02 | RAG 解决了哪三类核心问题？ | RAG |
| 03 | RAG 是如何运转的？ | RAG运转流程 |
| 04 | RAG 常见的落地场景 | RAG（含场景小节） |
串联逻辑
老师按"是什么 → 为什么需要 → 怎么运转 → 用在哪"的认知顺序展开：
- 先用"给大模型装了一个知识外挂"作为类比，建立直觉
- 再回到大模型本身的三个短板（知识截断、私有未知、幻觉），解释 RAG 存在的必要性
- 然后拆解技术架构与运转的三阶段（检索→增强→生成）
- 最后给出四个最常见的行业落地场景，把抽象架构落回业务
整体主线：RAG = 让 LLM 在回答前先"查资料"，再"组织答案"的技术架构。
课堂笔记要点
- "知识外挂"这个比喻是理解 RAG 最简洁的口径，对非技术听众尤其有效。
- 三类问题的归因要分清：截断对应训练数据时效；未知对应私有数据没进过训练；幻觉对应模型生成时的虚构。三者都用 RAG 缓解，但底层机制不同。
- 运转流程里的 "Retrieval (Optional)" 值得注意：检索并非每次都触发，模型自身的 Memory 也可以直接拼进 Prompt，RAG 是补充而非替换。
- 四个落地场景中，企业知识管理和智能客服是当下最普及的两个，医疗诊断是天花板最高也是合规门槛最高的。
- 教育培训场景里老师强调了一个隐性价值：RAG 能让"学生提的边角问题不再需要老师即时回复"，本质是用 RAG 削峰师资负载。
相关页面
→ RAG → RAG运转流程 → 六大成熟AI应用场景