RAG（Retrieval-Augmented Generation）是檢索式生成模型的縮寫。
它的目的，是讓LLM能夠查資料與引用外部知識來回答問題，解決模型忘記資訊或幻覺亂答（hallucination）問題。
他結合了檢索（Retrieval）和生成（Generation）能力，會先從外部知識庫中找到最相關的文件，再讓LLM根據這些資料生成回答，透過RAG的檢索→生成流程，讓它回答時可以先查再講，避免胡說八道。

RAG的整體架構如下：
使用者問題→向量化 (Embedding)→在向量資料庫中搜尋相似文件 (Retrieval)→取出最相關的文件內容→把問題+文件餵給LLM (Generation)→生成自然語言回答

RAG的四大組成模組：

1. Embedding Model：把文字轉成向量，用來表示語意相似度。
2. Vector Store（向量資料庫）：儲存與搜尋這些向量（如 FAISS、Chroma）。
3. Retriever：根據使用者問題，在資料庫中找出最相似的文件。
4. Generator（LLM）：把問題＋文件內容整合後生成最終回答。