客服同事问了一个内部产品配置问题。通用模型回答得很顺，参数却来自旧版本；翻文档、对版本、再确认，一圈下来，真正费时的不是生成，而是找依据。检索增强生成要解决的，正是这个环节：先把相关资料找出来，再让模型在限定材料里组织答案。
它改变的是输入，不是模型本身
把检索增强生成理解成“给模型开卷”，容易漏掉关键：开卷材料是否对、是否全、是否在权限范围内。检索端通常要处理文档切分、元数据、查询改写、向量与关键词混合召回、重排等步骤。任何一步粗糙，生成端都会把缺失和冲突包装成流畅句子。模型不会自动知道某段内容已过期，也不会天然理解内部缩写，除非检索和提示把线索交代清楚。
回答顺，不等于证据足
一个常见误区是把引用链接当成装饰。真正有用的做法，是让答案尽量贴着证据走：哪些结论来自哪段材料，材料没有覆盖时明确说不知道。生成指令里可以要求“只依据给定片段作答”，但这条约束需要和检索结果一起测试。若召回片段彼此矛盾，模型可能挑一个顺眼的说法；此时应把冲突暴露给使用者，而不是强行合成。对于企业知识库问答，引用溯源和权限过滤不能缺位，回答长度不必作为目标。
边界在语料和维护上
检索增强生成适合知识会更新、回答需要依据、内部术语较多的场景，比如产品手册、支持流程、制度说明。它不擅长处理没有可靠文本依据的问题，也不能替代实时业务操作。若文档长期无人整理，重复版本多、权限边界模糊，单靠加一层检索只会把混乱带进答案。落地时先看语料是否可维护，再看检索效果，最后才是生成体验。我的判断是：这项技术值得做，但应从小范围问题集开始，保留失败样本，定期回看检索命中与回答依据，而不是一次性接上所有文档。