从论文里的组合说起
2020 年的 RAG 论文把预训练模型的参数化记忆，与可检索的非参数化记忆结合。原始研究使用维基百科向量索引，在知识密集型任务中做比较实验，展示了生成答案时引入检索材料的路线。它给了我们一个研究起点，不能直接担保所有知识库系统的质量。材料是什么、任务是什么、怎样比较，这些条件都要一起读，不能只拿走一个好看的结论。
试着回答一个摄影问题
假设知识库里有十篇摄影教程，有人问：“逆光人像应该怎样曝光？”回答前先找到逆光与测光相关段落，保留标题和位置，再据此组织建议，把来源放在对应说法旁边。如果材料只讲室外晴天，就写清适用范围。室内或夜景的问题可以暂时留着，不必为了让答案显得完整而补上猜测。我希望读者点开链接后，不用在整篇文章里找半天，也能知道这条建议为什么成立。
引用很整齐，也可能引错了
我会把检查分开：先看资料找得对不对，再看回答有没有忠实使用它。可以放入旧版本教程，观察系统是否说明版本冲突；再问一个库里没有答案的问题，看看它会不会承认缺少依据。链接能打开只是第一步，指向的内容还得真正支持相邻的说法。我会顺手把对应段落的位置记下来，免得下次又在长文里找一遍。资料质量、版本管理和输出核验都还在，接上搜索并没有替我们省掉这些工作。