截图来自现有中文版游戏；游戏支持中、英、日三语。 直接进入游戏 ↗
01 / 开场 · 现实背景
为什么需要 RAG？
假设一家企业，
有大量内部文档。
员工希望直接向 AI 提问，
而不用自己翻找每一份资料。
一个工作中的问题
“我们的产品遇到这个问题，
该怎么处理？”
产品手册故障处理记录最新维护通知
这些资料，并不天然在 LLM 的知识里。
它也不一定掌握最新的信息。
02 / 开场 · 核心思路
先找资料，再回答。
RAG（检索增强生成）把外部资料带进回答过程。
- 用户提出问题想解决什么？
- 检索环节找相关资料从外部资料中检索
- 提供给 LLM问题 + 找到的内容让模型有资料可参考
- LLM生成回答根据这些信息作答
这里有一个值得留意的地方
找到“相似”的资料，
不一定等于找到“有助于回答”的资料。
03 / 开场 → 游戏
现在，换你来找资料。
让小机器人搬运资料，
让选择的影响变得可见。
暂时放下复杂的模型和数据库。
这里用奶茶店的小问题，缩小现实的复杂度。
- 小机器人
- 你操作的搬运角色，把选出的资料送过去；不是 LLM，也不是完整检索器。
- 桌上的资料
- 可供查找的外部信息，例如营业时间、饮品价格。
- LLM 写信台
- 第 4 关才登场的回答者，接收问题和资料，写出回信。
点击画面可查看完整原截图。
这是确定性的教学模拟。
资料、检索结果和回答均预先编写；不运行真实 Embedding、检索或 LLM。
04 / 内容主体 · 现有游戏
第一步，找到那一页。
你的任务
顾客问：“几点开门？”
- 看当前问题。先确认顾客需要哪一条信息。
- 点桌上的《营业时间》。在手机上先查看，再点“拿起这份资料”；桌面上点击即可拿起。
- 把资料交给顾客。手机点“交给顾客”，桌面点交件窗口。游戏会给出反馈和本关回顾。
第 1–3 关直接挑资料、交给顾客。
第 4 关引入写信台；第 5 关起使用检索工具。找错资料时，需要根据反馈再试。
05 / 回看 · 从体验到认识
回答得好，
不只是模型的事。
还记得那份
“排在最前面”的资料吗？
第 5 关里，“新品宣传”提到了珍珠奶茶，
却没有提供回答价格问题所需的信息。
即使回答者有能力理解问题，
资料不合适、或缺少关键内容，回答仍可能失败。
所以设计 RAG，除了 LLM，
还要考虑怎样准备资料、检索资料。
游戏把资料、候选顺序和回信都预先写好了。真实 RAG 还涉及 Embedding、Chunking、检索策略等环节；这次只建立一个直觉。
提到同一饮品，不等于能回答价格问题。