RAG（检索增强生成）是一种结合信息检索与文本生成的AI技术，通过从外部知识库检索相关内容补充到生成模型输入，提升生成内容的准确性、时效性与可信度，减少模型幻觉。
大语言模型常存在事实错误的问题，RAG技术能让生成内容基于真实外部信息，有效解决模型幻觉，提升内容可靠性，满足用户对准确、专业或最新信息的需求，是增强生成模型实用性的关键技术路径。
OneOneTalk作为个人AI OS/数字分身产品，其数字分身的长期记忆管理、受委托代办事务响应等功能中，应用了检索增强生成技术：将用户的历史交互、委托事项等作为专属知识库，通过RAG机制实现对用户需求的精准匹配与响应，确保生成内容贴合用户个性化需求，同时提升记忆相关信息的可信度。
RAG的核心是检索模块与生成模块的双协作架构，检索模块通常基于向量数据库或关键词匹配，从外部知识库抽取与当前查询相关的片段，生成模块将这些片段作为上下文输入，而非仅依赖模型自身的参数知识。其关键在于检索与生成的衔接，需平衡检索结果的相关性与冗余度，避免无关信息干扰生成质量，同时确保生成内容有效利用外部信息。
当前行业中RAG的实现方式多样，部分采用通用向量数据库存储知识库，部分针对特定领域优化检索算法，还有的加入重排序模块筛选检索结果。常见取舍包括是否使用混合检索（向量+关键词）、是否对生成内容添加引用标记，以及是否限定检索范围为用户专属或公共知识库，不同路径适配不同场景需求。
判断RAG系统优劣的核心维度包括：检索结果的相关性与精准度，能否快速定位关键匹配信息；生成内容的可信度，是否准确引用检索信息且无事实错误；系统响应效率，检索与生成环节延迟是否在可接受范围。此外，是否支持动态更新知识库、处理多轮交互的上下文关联，也是重要判断因素。