一、课程核心概览

1. 学习内容：RAG 原理零基础讲解 + RAG 模拟 API 请求正确写法 + 作业高频错误避坑 + 大模型无法真正推理的核心原因

二、RAG 核心知识

1. 什么是 RAG？

大白话定义：
大模型本身会「忘知识、胡说八道（幻觉）」，RAG 就是先帮大模型搜资料→把资料直接拼给它→让它只按资料回答。

2. RAG 的本质（必记）

RAG ≠ 向量数据库！
向量库只是「搜资料」的一种工具，只要是「检索信息 + 拼接上下文给大模型」，全都是 RAG。
比如：用搜索引擎查资料、调历史对话、查技能库，逻辑全是 RAG。

3. RAG 的核心目的

解决大模型两大问题：知识过时、回答幻觉（瞎编）。

三、第 12 课作业要求

作业题目

构造大模型 API 请求的 JSON 格式，模拟 RAG 的工作过程

考察重点

你是否理解：RAG 的核心是给大模型「拼接检索后的上下文」，而不是瞎写 API 参数。

四、RAG 模拟 API 请求 正确构造方法

1. 先记死：大模型 API固定角色（绝对不能自定义！）

主流模型（Kimi/Deepseek/OpenAI）只认 3 个基础角色，新手只用前 2 个：

1. system：系统提示词 → 只定身份（固定不变）

1. user：用户输入 → 放检索资料 + 用户问题（核心变量）

1. assistant：模型回复 → 是模型返回的结果，请求里不用自己写

2. 标准构造步骤

1. system 位：只写身份，不塞任何可变资料

1. user 位：先放「检索到的参考资料」→ 再放「用户问题」（用分隔符分开更清晰）

1. 不自定义角色、不瞎加 API 参数、不暴露 API Key

3. 正确示例（直接复制改内容就能用）

json {   "model": "kimi",   "messages": [     {       "role": "system",       "content": "你是专业问答助手，仅依据提供的资料回答，不编造内容"     },     {       "role": "user",       "content": "参考资料：RAG是检索增强生成，核心是先搜资料再拼上下文给大模型。 用户问题：请用一句话解释什么是RAG？"     }   ] }

五、RAG 作业 高频错误 + 避坑指南（零基础必看）

错误 1：把参考资料塞进 system 里（最常见）

• 错误原因：system 是固定缓存位，塞可变资料会导致KV Cache 无法命中，工程上费钱、变慢、难维护。

• 正确做法：所有检索资料必须放 user 位。

错误 2：自定义 API 角色 / 参数（如 rag_meta、PP2.5、自创 role）

• 错误原因：官方 API 只认固定角色，自定义参数模型识别不到、直接报错。

• 正确做法：只用system/user/assistant，严格按官方文档写参数。

错误 3：用 assistant 位放检索资料

• 错误原因：assistant 是模型回复位，强行塞资料会让模型产生幻觉（以为自己会检索，实际没有工具）。

• 正确做法：资料只能放 user 位。

错误 4：API 里没放 RAG 检索资料

• 错误原因：没理解 RAG 核心是「给模型喂资料」，等于没做 RAG 作业。

• 正确做法：user 位必须包含检索到的参考资料。

错误 5：放链接当资料（以为模型能自己读链接）

• 错误原因：大模型无法直接读取网页 / 文档链接，链接里的内容模型完全看不到。

• 正确做法：把链接里的文字内容复制出来，粘贴到 user 位。

错误 6：直接用 AI 代写作业

• 错误原因：AI 写的是套话，你自己没理解，知识永远记不住。

• 正确做法：用自己的话写，哪怕简单，也是自己的理解。

错误 7：公开截图暴露 API Key

• 错误原因：API Key 泄露会被盗刷，产生高额费用。

• 正确做法：截图前打码 / 隐藏 API Key，绝不公开。

六、第 3 课核心：大模型为什么无法实现「真正推理」？

先明确结论

大模型的思考、纠错、推理全是模仿表演，不是真正的主动思考！

核心原因 1：生成机制是「单向逐词预测」，一往无前不回退

• 大模型是一个词一个词往后生成，生成后就不能修改、不能回头纠错。

• 真正的推理：人思考到一半发现错了，会回头改、补信息；大模型做不到，只能一路生成到底。

核心原因 2：本质是「统计概率匹配」，不是「理解因果」

• 大模型靠训练语料的概率规律生成内容，是「照猫画虎」。

• 真正的推理：基于概念理解、逻辑因果、主动推导；大模型没有主动思考能力。

核心原因 3：「反思 / 纠错」是微调出来的表演

• 比如 Deepseek R1 的「先错后改」，是微调语料里写好了固定格式，模型只是模仿，不是真的发现错误。

核心原因 4：大模型「不知道自己不知道」

• 大模型没有自我认知，超出知识范围会直接瞎编，不会说「我不会」。

补充：大模型为什么看起来会推理？

靠思维链（COT）、RAG、微调模仿人类推理的格式，本质还是概率生成，不是真思考。

七、优秀作业标准（照着写就能拿高分）

1. RAG 作业优秀标准

• 角色只用system/user，无自定义参数

• system 只定身份，资料全放 user

• 包含「参考资料 + 用户问题」，结构清晰

• 无 API Key 泄露、无无效链接

• 自己手写，不是 AI 代写

2. 推理作业优秀标准

• 用自己的话解释，不抄 AI 套话

• 抓住核心：单向生成、概率模仿、不回退

• 结合大模型生成原理，不空谈定义

八、学习方法建议

1. 不抄作业、不直接用 AI 代写：自己写，哪怕错，才能真正理解

1. 记死 API 固定角色：别自定义，按官方规则来

1. RAG 核心口诀：搜资料→拼 user 上下文→喂给大模型

1. 推理核心口诀：大模型只生成不思考，单向走到底不回头

1. 多动手实操：自己写 JSON API 请求，测试是否能跑通

1. 提升思维：多读书、多交流、多反思，不做只会打杂的产品人