RAG Engine 定義與特點 - Manus 技術分類調查報告

什麼是 RAG Engine？

RAG (檢索增強生成，Retrieval-Augmented Generation) 是一種提升生成式 AI 模型表現的框架，通過檢索外部知識源增強生成內容的準確性與豐富度。RAG Engine 是實現這一框架的系統，將大語言模型鏈接到外部資源，使生成式 AI 應用輸出更準確的回答。

RAG Engine 是一種結合檢索（Retrieval）與生成（Generation）的 AI 技術系統，常用於提高語言模型回答問題的準確性和相關性。它通過在生成回答之前先檢索相關信息，然後將這些信息與用戶查詢一起提供給語言模型，從而生成更加準確、相關和信息豐富的回答。

RAG 的核心思想是將大型語言模型（LLM）的生成能力與外部知識庫的檢索能力相結合，克服了 LLM 僅依賴預訓練數據的局限性，使模型能夠訪問和利用最新的、專業的或特定領域的知識。

RAG Engine 的工作流程通常包括以下幾個關鍵步驟：

將外部知識庫（文檔、網頁等）處理並建立向量索引

接收用戶查詢並將其轉換為向量表示

根據查詢向量從知識庫中檢索最相關的信息片段

將檢索到的信息與原始查詢組合，形成增強的上下文

大語言模型基於增強的上下文生成最終回答

RAG Engine 工作流程示意圖

RAG Engine 的核心特點是能夠檢索外部知識源，而不僅僅依賴模型的預訓練知識。這使得系統能夠訪問最新的、專業的或特定領域的信息，大大擴展了模型的知識範圍。

這種外部知識檢索能力使 RAG Engine 特別適合處理需要最新信息或專業知識的查詢，如技術支持、醫療諮詢、法律問題等。

通過將檢索到的相關信息納入生成過程，RAG Engine 能夠顯著提高回答的準確性和可靠性。它減少了大語言模型常見的「幻覺」問題，即生成看似合理但實際上不準確或虛構的內容。

這種提高準確性的能力使 RAG Engine 在需要高度準確性的應用場景中表現出色，如企業知識庫查詢、學術研究助手等。

與純粹的大語言模型相比，RAG Engine 的知識更新更加靈活和高效。只需更新外部知識庫，而無需重新訓練整個模型，就能使系統獲取最新信息。

這種靈活性使 RAG Engine 特別適合需要頻繁更新知識的場景，如新聞摘要、產品文檔查詢、政策解釋等。

RAG Engine 通常能夠提供其回答的來源和依據，使用戶能夠驗證信息的可靠性。這種可追溯性增強了系統的透明度和可信度。

在需要高度可信度和透明度的應用場景中，如醫療建議、法律諮詢、金融分析等，這一特點尤為重要。

儘管 RAG Engine 具有許多優勢，但它也存在一些局限性：

有限的自主性： RAG Engine 主要專注於提供基於檢索的回答，自主性有限，無法像 AI Agent 或 Agentic AI 那樣自主規劃和執行複雜任務。
檢索質量依賴： RAG Engine 的表現很大程度上依賴於檢索系統的質量和知識庫的完整性。如果檢索不到相關信息，或檢索到的信息質量不高，生成的回答質量也會受到影響。
複雜任務處理能力有限： 相比於 AI Agent 和 Agentic AI，RAG Engine 在處理需要多步驟規劃和執行的複雜任務方面能力有限。
上下文長度限制： 將檢索到的信息與查詢結合可能導致上下文長度增加，可能超出模型的處理能力，需要進行上下文壓縮或選擇性納入。

Manus 與純粹的 RAG Engine 有明顯區別，但可能在其架構中使用了 RAG 技術作為功能的一部分：

比較維度	RAG Engine	Manus
主要功能	提供基於檢索的準確回答	自主規劃並執行複雜任務，直接產出最終結果
自主性	有限，主要依賴用戶查詢	高度自主，能夠獨立思考、計劃並完成複雜任務
任務複雜度	適合回答具體問題，不適合複雜任務	能夠處理需要多步驟規劃和執行的複雜任務
系統架構	檢索系統 + 生成模型	多模型協同的「多重簽名」機制，由多個獨立 AI 模型共同驅動

雖然 Manus 可能在其架構中使用了 RAG 技術來增強其知識獲取能力，但 Manus 的功能和能力遠超 RAG Engine 的範疇。Manus 不僅能夠提供基於知識的回答，還能夠自主規劃和執行複雜任務，這使其更符合 Agentic AI Agent 的定義，而非純粹的 RAG Engine。

可以說，RAG 技術可能是 Manus 技術棧中的一個組件，用於增強其知識獲取能力，但 Manus 的核心價值在於其自主性和任務執行能力，這些特性與 RAG Engine 的定位有本質區別。