✅ 一句话解释

👉 RAG = 让 AI “先查你的资料，再回答问题”

英文是：Retrieval-Augmented Generation（检索增强生成）
但你不用记这个。

---

✅ 为什么会有 RAG？

因为普通 AI 有个问题：

👉 它不知道你公司的东西

比如你问：

• 公司接口规范
• 内部系统逻辑
• 测试文档

👉 AI是答不准的（甚至会编）

---

✅ RAG 就是解决这个问题

它的流程其实很简单👇

1️⃣ 先从你的“资料库”里找相关内容（检索）
2️⃣ 把这些内容一起喂给 AI
3️⃣ AI基于这些内容生成答案

---

✅ 用一个你能代入的场景

你现在做测试：

你问 AI：

👉
“这个接口应该怎么测？”

---

❌ 没有 RAG 的情况：

AI只能靠“通用经验”回答
👉 不一定符合你公司实际

---

✅ 有 RAG 的情况：

AI会先读：

• 接口文档
• 业务说明
• 历史测试用例

然后再回答：

👉 更像你们公司的测试工程师

---

✅ 再说得更直白一点

👉 普通 AI：靠“记忆”回答
👉 RAG：靠“查资料 + 理解”回答

---

✅ 你现在怎么“用上 RAG”（不用开发版）

你完全可以今天就开始👇

---

✅ 方法1（最简单）

直接这样用：

👉
“基于以下文档回答：
（粘需求/接口文档）
帮我设计测试用例”

👉 这就是“手动 RAG”

---

✅ 方法2（稍微进阶）

把资料丢进工具：

• ChatGPT 文件
• 飞书知识库
• Notion AI

然后问问题

---

✅ 市场上真正的 RAG 是什么样

公司会做一个系统：

• 把所有文档（需求、接口、测试）放进去
• 建索引（向量库）
• AI随时查

👉 类似一个“公司内部最强问答助手”

---

✅ 你需要掌握到什么程度？

现在你不用学这些：

❌ 向量数据库
❌ embedding算法

你只需要做到：

👉 遇到问题，知道要“喂资料”给AI

---

✅ 给你一个判断标准（很有用）

什么时候该用 RAG？

👉 如果问题涉及：

• 公司内部系统 ✅
• 具体业务逻辑 ✅
• 专有接口 ✅

👉 一定要带文档

---

✅ 最后一句话总结

👉 RAG 本质不是技术，而是一种用 AI 的方式

---