什么是 RAG？为什么 AI 投研的结论要有出处？
RAG 是检索增强生成：先从资料中找相关片段，再让 AI 基于证据回答并附来源。它不能保证正确，但能让答案回到文件、页码和口径核对。
要点
- 先检索，再增强，最后生成
- 来源、页码、期间和单位要保留
- 召回不足不等于报告未披露
- 查不到就说明证据不足
展开依据
## RAG 是什么
RAG 是 Retrieval-Augmented Generation 的缩写，中文是“检索增强生成”。它不是让模型凭记忆直接作答，而是先从知识库里召回和问题相关的资料片段，再把片段、来源和回答规则放进上下文，最后由模型组织答案。可以把它理解成“先查资料，再写回答”。
完整流程通常是：明确公司、指标和报告期；从 PDF、网页、数据库或研报中检索候选片段；核对日期、单位、表头、脚注和单季或累计口径；最后生成带引用的回答。资料入库时应保留文件名、版本、公司、发布日期、报告期和页码。片段太大，数字和无关内容会混在一起；太小，又可能丢掉表头和条件。
## 为什么要有出处
投研问题经常只差一个口径：例如“2025 年第三季度营收”可能指单季，也可能被误答成前三季度累计；“营收”也不能拿“归母净利润”替代。答案写出数字还不够，应该同时写报告期、数值、单位、统计口径，以及来自哪份文件哪一页。这样读者可以沿着引用回到原文，发现检索错误、版本冲突或模型误读。
RAG 也不是正确率保证。资料可能过期，切片可能丢表格，检索可能召回上一年报告，模型也可能读错字段。当前 Top K 没找到净利润，只能说“当前召回片段不足以确定”，不能直接断言原报告没有披露。小文档还可以直接用长上下文，不必为了使用 RAG 强行向量化；应比较证据覆盖、更新方式、引用追溯、速度和成本。
想动手试一试，可以学《什么是 RAG：让投研回答有依据》《向量数据库与财报问答》和《可追溯的 AI 投研报告》。