什么是RAG？
**RAG（Retrieval-Augmented Generation，检索增强生成）**是一种架构：模型在生成回答前，先从外部数据源——文档库、术语库、翻译记忆库——检索相关片段，再把检索到的内容加入自身上下文，据此作答。它解决了任何语言模型都存在的一个根本局限：模型无法知道训练数据中没有的信息，也不记得训练之后发生的事情。
RAG对翻译为何重要
应用到翻译场景，RAG是一种把与具体文档相关的术语、匹配结果和示例喂给模型的方式，而不是依赖模型训练时「记住」的内容。一个具体例子：在翻译某个句段之前，系统会在**翻译记忆库**中检索相似的历史译文，并在术语库中检索该文档要求使用的术语，再把检索到的内容全部加入模型的提示词。
RAG的检索方式
最常见的方法是向量检索：查询和存储的数据都被转换成数值向量（嵌入），语义相近的文本在这个向量空间中彼此靠近，系统据此找到与查询最接近的向量。这种方法常与经典的关键词全文检索结合使用——混合方法通常比单独使用任何一种方法都更可靠。
RAG与翻译记忆库：熟悉的理念，新的名字
对翻译行业而言，RAG背后的核心理念并不新鲜：**翻译记忆库**几十年来做的正是同一件事——检索相似的历史译文并提供给译者参考。区别在于检索结果的去向：在TM编辑器中，匹配结果会展示给人，由译者判断；而在RAG架构中，检索到的文本会直接进入模型的上下文，由模型自行决定如何在生成回答时使用它。
RAG的价值与风险
RAG很好地解决了数据时效性和针对性的问题——模型作答时能参考最新、领域特定的信息，而不仅仅是训练时学到的通用知识。风险在于，RAG并不保证模型会正确使用检索到的上下文：如果检索本身不够精准，模型可能忽略插入的术语，或引用不相关的检索片段。一个RAG系统的质量，同等取决于检索质量和模型正确运用检索结果的能力。
常见问题
RAG和模型微调是一回事吗？
不是。微调会永久改变模型本身。RAG不会改变模型的任何部分——它只是把数据插入某一次具体请求，下一次请求完全可以调用另一个数据源。
RAG一定要用向量检索吗？
不一定，这是最常见的方法，但不是唯一方法——经典的全文关键词检索，或两者结合，同样可行。
RAG与普通的翻译记忆库有什么区别？
检索机制相似，但在TM中，匹配结果由人工译者查看和判断；在RAG中，检索到的文本会直接进入模型上下文，这一步未必有人工参与审核。
即使检索到了正确的数据，RAG系统也可能给出错误答案吗？
会——找到相关片段不等于正确使用它；模型可能忽略检索到的信息，或对其理解有误。
翻译流程中通常在哪个环节用到类似RAG的方法？
在模型生成某个句段的译文之前，把术语库中的术语和翻译记忆库中的匹配结果插入模型的提示词时。