RAG：检索增强生成——AI的「先查再答」

引子：AI天生有个毛病——爱编

你有没有遇到过这种情况——问AI「2026年ESC心衰指南最新推荐是什么」，它给了一段自信满满的答案，但你觉得哪里不对。一查原文，发现AI把2021年和2023年的指南混在一起编了个东西。

这个毛病学名叫幻觉（Hallucination）

——AI在不确定时会「编造」看似合理但实际不存在的信息。而应对幻觉最有效的技术之一，就是RAG。

15.1 RAG的直觉理解

AI回答问题凭训练时记住的知识回答先从数据库检索相关内容，再基于检索结果回答RAG不改变AI的「智商」，它改变的是AI的「信息来源」。 把AI从「凭记忆编」变成「查资料答」。

15.2 RAG怎么工作？

用户提问：「2026年AI辅助骨科手术导航的最新进展是什么？」

↓ 第1步：检索（Retrieve）

在你的知识库中搜索相关内容
→ 找到3篇论文摘要、2份行业报告、1篇技术白皮书

↓ 第2步：增强（Augment）

把检索到的内容拼接到用户问题后面
→ 「基于以下资料回答问题：[6篇文献的内容]……问题是：2026年AI辅助骨科手术导航的最新进展是什么？」

↓ 第3步：生成（Generate）

AI基于拼好的内容生成答案
→ 综合6篇文献的信息，给出有据可查的回答，每一条注明出处

↓ 第4步：输出
→ 回答 + 引用来源 + 置信度标注

15.3 RAG的三大关键组件

15.4 医学场景：为什么RAG对医生尤其重要？

场景一：长篇指南秒查医生：「查一下最新AAOS指南中关于膝关节骨关节炎的非手术治疗推荐。'传统AI：凭记忆答，可能过时或串指南RAG+AI：先检索指南原文→定位到非手术治疗章节→基于原文内容回答→标注出处页码场景二：多篇文献交叉验证医生：'这3篇脊柱微创相关论文对术后感染率的结论是否一致？'RAG+AI：分别检索3篇论文中关于感染率的内容→提取数据→对比→输出一致性判断+每篇原文引用场景三：医院知识库私有化

科室主任：'把近5年我们科室发表的全部论文做个知识库，以后查文献先从这里查。'
→ 建立科室私有知识库 → 所有RAG查询优先检索本科室论文 → 结合外部文献补充

15.5 RAG的三种精度级别

级别 检索范围 回答质量 适用场景L1·互联网级 全网公开信息 ✅ 参考级，需人工核实 了解趋势、背景调研L2·文献库级 PubMed/CNKI等学术数据库❌ 较好，有出处可查 临床学习、科研选题L3·私有知识库级科室病历库/指南库/论文库 ❌❌ 精确到文档段落科室内部查询、循证决策核心认知：RAG的质量不取决于AI模型，而取决于知识库的质量。垃圾进，垃圾出。 一份精心整理的知识库 = 一个永远不会退休的「超级图书管理员」。

15.6 RAG的边界：不是万能的

能做 不能做⚠️ 查知识库里有明确文字记载的内容5p 推断知识库里没有的信息能做 不能做⚠️ 交叉验证多篇文献的结论 5p 判断哪篇文献的研究质量更高⚠️ 标注信息来源和出处 5p 保证100%不遗漏相关内容⚠️ 大幅减少幻觉 5p 完全消除幻觉

15.7 RAG+MCP：医生AI工作流的终极形态

如果把RAG和MCP结合起来：

医生的问题 → AI理解意图
→ MCP连接HIS查病历摘要（患者数据）
→ MCP连接指南库查最新推荐（标准知识）
→ RAG搜索科室知识库找类似病例（经验知识）
→ AI综合三方信息，生成有据可查的建议
→ 每一条建议标注信息来源和证据等级

这就是医学AI的「三重证据」模式：患者个体数据 + 最新临床指南 + 科室历史经验 = 有据可查的决策参考。

15.8 本章小结