前六讲我们构建的 Agent 有一个天生的缺陷：它只知道大模型训练数据里有的东西。你问它“Python 的 list 怎么用”，它能回答，因为这些东西在训练数据里出现过无数次。但你问它“我们公司去年的财报数据是多少”，它就傻眼了——因为它没见过你们公司的内部文档。这就是 RAG（Retrieval-Augmented Generation，检索增强生成）要解决的问题。一、什么是 RAG？RAG 的核心思想很简单：当 Agent 需要回答问题时，先从外部知识库中检索相关文档，然后把检索到的内容作为上下文提供给大模型，最后让大模型基于这些上下文生成回答。用一句话概括：先查资料，再回答问题。为什么 Agent 需要 RAG？场景纯 LLMLLM + RAG“Python 怎么排序？”✅ 能回答✅ 能回答“我们公司去年的营收是多少？”❌ 不知道