RAG 是什么？Embedding 有什么用？
先理解原理和示例，再练习完整口述与追问。
回答要点
RAG 的核心是先检索相关材料，再将材料作为上下文供模型生成；Embedding 将内容映射成向量，可用于相似性检索，但 RAG 也可以使用关键词和混合检索。
前端关注文件处理状态、检索引用、原文定位、权限和无结果反馈；召回相关材料不代表最终答案一定正确。Microsoft：RAG 概述
原理拆解
RAG 把外部检索结果加入生成上下文，常见流程是文档清洗、分块、嵌入索引、查询检索、重排、拼上下文与生成。Embedding 将内容映射为向量以表达某种语义相似，但相似不是事实一致，编号、时间和权限仍需精确处理。索引更新、来源位置和授权应贯穿流程。
示例与推演
公司制度问答可先按用户权限筛选候选，再用关键词与向量混合检索，重排出相关片段，把版本与标题放进上下文并给出引用。评测分别检查是否找到了正确片段、回答是否被片段支持以及无答案时是否乱答。文档撤回或权限变化后也要同步失效索引与缓存。
易错点
不能先跨用户检索全部内容，再只在最终 UI 隐藏来源。分块越小越好或 topK 越大越好都不成立，需要用真实问题和预算验证。
参考回答可直接练习口述
RAG 是在生成时先检索相关材料，再把材料提供给模型用于回答，适合企业知识等经常更新的信息。文档侧通常要抽取、切分、建立索引；问题侧检索并可能重排，再带相关片段生成。Embedding 把内容映射成向量用于语义相似检索，但检索也可以结合关键词。质量取决于材料、召回、权限和回答约束，前端应展示处理状态与可核对引用，而不是把有来源标签等同于正确。