為什麼用 RAG（why use RAG）

一個基礎 LLM 只知道訓練資料裡的內容，凍結在過去某個日期，而且它從沒看過你公司的內部維基，也不知道上週的新聞。RAG 一次補上這兩個缺口：把模型指向你自己的文件，它就能據此作答，完全不必重新訓練；更新那些文件，系統立刻就知道新事實。對於私有或變動快速的知識而言，這通常比把資訊烤進模型權重要便宜、簡單得多。

第二個好處是信任。因為每個答案都是由特定的檢索段落組成的，你可以明確告訴使用者每一句主張的來源，而一個讀著真實證據的模型，也比較不會憑空捏造。RAG 並非萬靈丹——檢索可能漏掉、模型也可能誤讀找到的內容——但作為一種把答案紮根於當下、可查證來源的方法，它已成為把 LLM 接上真實世界知識的首選工具。