RAG 检索增强生成详解：从原理、架构到企业知识库落地全流程（2026 实战）
RAG（检索增强生成）让大模型答题前先 "翻资料"，把知识和组织语言解耦。本文从 2020 年 Meta 与斯坦福提出的原论文讲起，拆解完整链路：文档切块、嵌入、向量库、Top-K 召回、重排、Prompt 拼装；给出 RAG 与微调、提示词工程的对比表和企业落地五步，并讲清它抑制幻觉 30%-50% 的原理与常见坑。
【大语言模型到底能帮测试做什么？先从一个真实问题说起】
- 系列方向：从 LLM 基础开始，逐步拆解 Prompt、RAG、工具调用和效果评估，最终做出一个可运行的 AI 测试辅助 Demo。
- 本篇重点：不是在搭建 AI 测试平台，而是在弄清楚 LLM 的工作方式、适用场景，以及它与传统测试程序的区别
