第 224 题：大模型的知识注入，RAG与推荐知识库的构建？
题目
大模型的知识注入，RAG与推荐知识库的构建？
完整讲解
一、知识注入的必要性
- 推荐依赖领域知识：物品属性、关系、规则、时效（如上新、下架）。纯参数模型易遗忘或幻觉，外部知识库 + 检索可提供事实性约束与可更新知识。
二、RAG 在推荐中的形态
- 检索：根据当前 query/用户状态从知识库检索相关片段。知识库可包含：item 描述、属性表、规则、FAQ、图谱三元组等；检索可用向量、关键词或混合。
- 增强：将检索到的片段与用户历史、当前问题一起拼成 Prompt，让 LLM 在「知识+上下文」基础上生成推荐或理由。
- 推荐知识库构建：结构化（表、图谱）+ 非结构化（文档、评论）；需做实体对齐、去噪、更新流程，保证与线上 item 一致。
三、与排序/生成的配合
- RAG 输出可作为特征输入精排模型，或直接约束 LLM 的生成（只从检索到的 item 中选）；可显著降低幻觉、提升可解释性。
面试要点
- 能说清 RAG 在推荐中的流程：知识库构建 → 检索 → 拼入 Prompt → 生成/排序，以及知识库内容与更新策略。
- 能说明 RAG 如何缓解幻觉、提升事实性，以及与精排/生成的结合方式。
记忆要点
- 知识注入：RAG = 推荐知识库检索 + 片段拼入 Prompt，为 LLM 提供事实与规则约束。
- 知识库：item 属性、关系、规则、图谱；需对齐、去噪与更新；可与精排/生成结合降幻觉。