一个常见的场景是：员工在内部问答框里输入“借用测试设备要经过哪些步骤”，系统回答得流畅，却引用了已经失效的旧流程。问题不一定出在语言组织，而在答案所依赖的材料没有被及时找到。检索增强生成要处理的，正是这类“先找到依据，再组织回答”的环节。
它更像一条工作链，而不是一个按钮
把检索增强生成理解成“模型外挂知识库”，容易漏掉中间步骤。一次完整的处理通常包括：把问题拆成可检索的查询，从文档或数据库中取回相关片段，对片段做筛选和整理，再把问题与材料一起交给生成模型。任何一段松动，最终回答都会变形。检索结果不相关，生成模型只能凭语言惯性补全；材料过时，回答就会带着旧信息继续流畅。
“先查再答”并不自动带来可信
有些人把检索增强生成当成可信度的开关，似乎只要接了知识库，答案就会可靠。实际并不如此。检索环节会受分块方式、查询表达、索引更新频率影响；生成环节也可能忽略材料、误读材料，或者把多个片段拼成看似完整的结论。更稳妥的做法，是让回答带上出处，并允许使用者回到原文核对。出处不是装饰，而是把“信不信”变成“查不查”的入口。
边界往往在知识维护这一侧
很多讨论集中在模型能力，落地时却常被文档治理卡住。知识库里的文件是否有统一命名，版本是否可追溯，权限是否与业务系统一致，都会影响检索结果。检索增强生成不能替代知识维护，它只是把知识维护的质量暴露得更直接。一个内容混乱的库，接上生成模型后，回答可能更流畅，但不一定更接近事实。
- 答案引用的材料，用户能不能直接打开？
- 文档更新后，索引多久能反映变化？
- 遇到权限受限的内容，系统是拒绝回答还是给出模糊提示？
这些问题没有统一答案，却会决定一次问答是看起来聪明，还是可以被复核。它的价值，也许不在于让模型更像专家，而在于让它愿意把依据摊开。