檢索增強生成（RAG, Retrieval-Augmented Generation）解決的是大型語言模型最根本的兩個毛病：知識會過時、而且會一本正經地胡謅。做法是讓模型回答前先去外部知識庫「查資料」，再根據查到的內容作答。
📖 學（核心）
RAG 的基本流程
傳統 RAG 分三步：檢索（Retrieve）——把問題轉成向量，去向量資料庫找最相關的文件片段；增強（Augment）——把找到的片段塞進提示詞，當作回答的依據；生成（Generate）——模型根據這些片段作答，並可附上出處。好處是知識可即時更新（換掉資料庫即可，不必重訓模型），且答案可追溯來源、大幅降低幻覺。
2026 年的主流：Agentic RAG
到 2026 年，把 RAG 包進「多代理系統」已成為企業 AI 的主流架構。不再是「查一次、答一次」的死流程，而是由專責代理分工並行處理：一個負責拆解問題、一個負責檢索、一個負責驗證證據、一個負責綜整。Agentic RAG 的關鍵是代理會「用工具」——傳統搜尋引擎、計算機、API 都能調用，讓檢索與推理能力大幅升級。
進階模式
自適應 RAG（Adaptive RAG）：用一個分類器先判斷問題難度，再把它路由到對應的管線。簡單問題走輕量流程省成本，真正複雜的問題才動用完整的 agentic 或圖譜檢索。這是 2026 年兼顧成本與品質的最佳實務。
自我反思 / 修正式 RAG（Self-reflective / Corrective RAG）：模型會評估自己檢索到的證據與輸出，當證據不足或信心不夠時主動重查。在醫療、法律這類高風險領域能顯著減少幻覺。
RAFT（檢索增強微調）：把微調和 RAG 結合，訓練模型在特定領域學會「對著檢索到的文件做推理」。
別忽略治理
企業級 RAG 失敗，往往不是模型不夠強，而是缺治理：權限控管、metadata、上下文必須先到位。把檢索當成「丟進向量庫就好」的簡單函式、忽略底層知識的品質，得到的會是「很有自信但不可靠」的系統。
🧠 記
RAG = 先查再答，治幻覺、保時效。2026 的關鍵字是 Agentic（多代理分工） 與 Adaptive（依難度路由）。永遠記得：檢索品質決定答案品質，治理（權限、metadata、資料品質）先於檢索。
✍️ 實踐
挑一份你常查的文件（公司手冊、產品 FAQ、個人筆記），用任何支援「上傳檔案問答」的 AI 工具做一次小型 RAG：上傳後針對細節提問，觀察它有沒有引用正確段落、會不會在文件沒寫的地方亂編。記下哪種問法能逼它「只根據文件回答」。
🔗 延伸學習
💬 問 AI
我想用自己的文件（PDF、筆記）建一個小型 RAG 問答系統。請用白話解釋我需要哪些元件（切塊、嵌入、向量庫、檢索、生成），並比較 2026 年的 Agentic RAG 與 Adaptive RAG 適合什麼情境。最後給我一份避免幻覺的檢索與提示詞設計清單。