为什么说 RAG 是普通开发者转型 AI 的首选？

7 月初，微软发布最强 RAG 知识库开源方案 GraphRAG，项目上线即爆火，现在星标量已经达到 16.5 k。

究其火爆的原因，主要还是 LLM 虽然强大，但存在一些明显缺点，比如幻觉问题、可解释性差、抓不住问题重点、隐私和安全问题等。而 RAG 恰好可以大幅提升 LLM 的生成质量和结果有用性。

RAG，可以说是 AI 领域一个非常大的创新突破了。它把信息检索和文本生成巧妙结合起来，可以让 AI 更聪明地工作。简单来说，就是在生成答案或内容之前，AI 会先快速搜寻大量的资料库，找到最有用的信息，然后依据这些信息来创造回答或内容。而且相对于其他 AI 相关项目， RAG 的入门门槛更低，为普通开发者提供了更为友好的学习路径。

但是，最近跟不少对 RAG 感兴趣的同学交流下来，才发现大家在学习的过程中可是踩了不少坑，比如：

• 刚开始接触时，缺乏明确的入手点和实践项目，难以实际操作；
• 很少有资料能讲清楚技术的缺点、局限性和适用场景，总要应用到项目才能发现，又得从头来一遍；
• 不知道怎么去考量项目的业务价值，一上来就挑战了高难度的，结果根本坚持不下来；
• 还有一些国内特有场景，总是等到项目落地了才能发现 bug；