用 RAG 给营销人装一个不会胡说的脑子

传输接收 · 行星 RAG-7 · 坐标 [0.42, -0.18]

大模型会胡说，营销文案不能。RAG（Retrieval-Augmented Generation，检索增强生成）做的事很直接：模型开口前，先去知识库把相关段落捞出来塞进 prompt，让它”开卷答题”。这篇记的是机制，不是落地手册。

RAG：让模型开卷答题

大模型本质是概率机器，根据上文预测下一个 token，并不”知道”任何事实。训练语料里没出现过的信息（你的新品、昨天的价格、内部合规清单），它要么答不出，要么凭概率编一个看似合理的答案——这就是幻觉（hallucination）的根因。微调能把知识烙进权重，但成本高、更新慢；RAG 走另一条路：不碰权重，把事实放外部，生成时临时调取。

流水线分四步。切块（chunking）：把产品手册、FAQ 拆成段落，几百 token 一块，太长检索不准，太短丢上下文。向量化（embedding）：用 embedding 模型把每段映射成高维向量，语义相近则向量相近，存进向量库。检索（retrieval）：提问时把问题同样向量化，算相似度，取最相关的几段。生成（generation）：把段落拼进 prompt，配指令”只依据以下资料回答”，交大模型。

RAG 降幻觉靠约束生成空间。纯模型从全语料概率分布里采样，可能性空间极大；RAG 把”可说之事”限定在你给的几段资料内，模型从”创作”变成”阅读理解”。它不是银弹——检索错了，模型仍可能把错资料讲得头头是道；但相比凭空生成，出错概率显著下降。另一好处是知识可更新：改知识库即可生效，不用重训，对价格、活动日期这类高频变化的信息尤其关键。

为什么营销人该关心

营销场景里”胡说”代价高：化妆品功效宣称有法规边界，模型编一个”抗皱 78%“可能违法；Tone of voice、产品命名不能每次漂移；新品和活动日期不断变，模型权重里没有”昨天”。RAG 把”事实”从权重搬到知识库——产品手册、历史文案、合规清单——更新即可，不必重训。它不是技术玩具，是把生成式 AI 从”灵感工具”变成”可控生产工具”的那块拼图。

怎么用

• 判断要不要上：任务需要”准确引用我给的资料”（产品描述、FAQ、合规文案）→ 上 RAG；只是”想 10 个 slogan”→ 纯模型就够。
• 最小路径：切块 → embedding → 向量库 → 检索 Top-K → 拼 prompt 生成，先跑通再调召回率。

// END OF LOG