摘要
本次学习了 RAG的概念以及基本思想和使用的数据，RAG 靠检索外部资料缓解大模型幻觉与知识滞后；零样本无需标注微调即可完成新任务；JSON 作为轻量结构化格式，在 RAG 中用于数据规整、元数据存储与格式约束
abstract
This study covers the concept, basic ideas and data application of RAG. RAG alleviates large model hallucinations and knowledge lag by retrieving external materials; zero-shot can complete new tasks without labeled samples and fine-tuning; as a lightweight structured format, JSON is used in RAG for data standardization, metadata storage and format constraint.
什么是rag？
RAG 即检索增强生成，是一种将信息检索与大语言模型生成相结合的人工智能技术，先从外部知识库、文档、数据库等数据源中检索出和用户问题相关的真实资料，再把检索到的内容作为上下文输入大模型，让模型依托真实可靠的外部信息来生成答案，解决了大模型知识滞后、容易幻觉编造内容的问题，能精准适配企业私有数据、专业文档等专属场景，大幅提升问答、知识库咨询等任务的准确性和可信度。
零样本
Zero-shot（零样本）思想是指模型无需经过特定任务的标注样本训练，仅凭自身预训练学到的通用知识和语义理解能力，依靠自然语言任务描述，就能直接完成从未见过的全新任务，不用微调、不用给示例，靠模型原生泛化能力实现跨任务推理与输出。
JSON
JSON 是一种轻量级、跨语言、基于键值对的文本结构化数据格式，支持对象、数组、字符串、数字等类型，语法简单易解析、通用性极强；在 RAG 中，它主要用于把非结构化文档整理成带元数据的结构化 JSON 片段做分块存储，将文本切片、向量信息和来源、时间、分类等元数据以 JSON 形式存入向量数据库，同时用来规范 Prompt 入参结构、约束大模型以固定 JSON 格式输出结果，也可统一封装多路检索结果、配置 RAG 分块规则与检索参数，方便流程调度、结果解析和业务对接。
