# 📚 每日学习卡片 · 2026-07-29

## 今日主题：RAG（检索增强生成，Retrieval-Augmented Generation）

**一句话理解**：先让 AI「去资料库里查资料」，再把查到的内容连同你的问题一起喂给大模型，最后生成有依据、可溯源的回答。

**为什么值得学（3 个理由）：**
1. **解决「大模型不会你的私有数据」的痛点** —— 公司文档、个人笔记、行业报告，模型训练时根本没见过，RAG 能让它「现查现答」。
2. **减少幻觉、可溯源** —— 回答带着出处，错了也能定位到原文，比纯靠模型记忆靠谱得多。
3. **落地门槛低、性价比高** —— 不用微调、不用显卡，一个向量数据库 + 一个 Prompt 就能搭出可用的智能问答，是当前企业 AI 应用最主流的形态。

---

## 学习资源（搜索链接，直接点开即可）

- **B站**：https://search.bilibili.com/all?keyword=RAG%20检索增强生成%20入门
- **抖音**：https://www.douyin.com/search/RAG%20检索增强生成
- **小红书**：https://www.xiaohongshu.com/search_result?keyword=RAG%20检索增强生成

> 建议搜索词：`RAG 原理`、`RAG 实战`、`向量数据库`、`Dify 搭建知识库`

---

## 今日小任务（动手 15 分钟）

**用「不写代码」的方式体验一次 RAG：**

1. 打开一个支持知识库的开源工具（推荐 **Dify** 或 **FastGPT** 的在线体验版）。
2. 上传一份你手边的任意文本（如「本周工作笔记」或「一篇 PDF 文章」）。
3. 向它提问一个文档里才有的细节问题（例如「我们这次项目的关键里程碑是哪天？」）。
4. 观察：回答是否**标注了引用来源**？如果问一个文档里没有的问题，它会不会「编造」？

**打卡标准**：能说出「RAG 比直接问大模型好在哪」，并截图一张带引用的回答。

---

*明日预告：本地部署 Ollama —— 把大模型跑在自己的电脑上，数据不出门。*