大模型的知识截止于训练时刻，且不了解你的私有数据，于是会「幻觉」。RAG（检索增强生成）是目前最实用的解法。
RAG 的三步流程
- ① 切分与向量化：把你的文档切成小块，用嵌入模型转成向量，存入向量数据库。
- ② 检索：用户提问时，把问题也向量化，从库中找出最相关的文档块。
- ③ 增强生成：把检索到的内容拼进提示词，让大模型「带着资料」作答。
三大云的落地方式
- AWS：Bedrock Knowledge Bases，托管向量库与检索，几乎零代码接入。
- GCP：Vertex AI Search / RAG Engine，与 Gemini 模型协同。
- Azure：Azure OpenAI + Azure AI Search，企业级权限与数据隔离。
💡 RAG 不是越多越好——检索召回的噪声会干扰模型。先把文档切分粒度和检索 topK 调好，效果提升往往最明显。