RAG 是结合信息检索与文本生成的技术，可用于基于本地知识库回答问题。
定义
Retrieval-Augmented Generation，简称 RAG，是结合信息检索和文本生成的技术。
核心要点
- 先从知识库中检索相关内容，再让模型基于检索结果生成回答。
- 在 Obsidian 场景中，可用于围绕本地笔记进行问答。
- 适合需要基于用户私有知识回答问题的场景。
相关概念
应用或例子
源材料中提到，Obsidian 的 AI 插件更擅长针对本地知识库做检索和索引，以提供基于私有知识的回答。
从笔记问答扩展到其他材料
- deepseek-v4-flash-vision-video-rag 用时间段和帧卡片索引视频，回答时保留时间戳与片段供核对。
- triviumdb 将向量、图关系和文档字段放在同一检索对象上，体现多种召回线索的组合。
- 摘星 以消息和文章作为检索材料，仍需明确数据边界及模型处理路径。
这些例子说明检索单元不必是整篇文档。检索相关不等于事实正确；生成答案还需检查证据覆盖、出处与原始语境。