GitHub 發布文章介紹檢索增強生成（Retrieval-Augmented Generation，簡稱 RAG）技術，這是一種讓大型語言模型（LLM）在回答前，先連接外部資料來源查詢最新資訊的混合式做法，用來解決模型瞎掰答案、知識過時、對冷門領域不熟悉這三個常見問題。
文章說明 RAG 的運作分成兩個步驟：先把使用者的問題轉成向量，拿去向量資料庫（例如 Pinecone 或 FAISS）裡做相似度搜尋，找出最相關的文件；再把查到的文件連同原本的問題一起交給 GPT-4 這類大型語言模型，由它生成最終的回答。文中也提到 BM25 這種傳統演算法，以及以神經網路為基礎的檢索方式。
文章指出，RAG 在軟體開發上的用途包括程式碼審查時自動找出相關文件與規範、產生程式碼片段時參考最新的函式庫用法、像 GitHub Copilot 這類 AI 輔助工具查詢內部文件，以及用語意搜尋取代傳統關鍵字搜尋。文章也坦言 RAG 會增加查詢延遲、運算成本，以及維護知識庫更新與資料安全的負擔。
對剛開始學程式的孩子來說，RAG 背後「先查資料、再回答」的概念，其實跟寫程式時習慣查文件、查官方範例再動手寫是同一種精神；了解 AI 工具是怎麼確保答案不是憑空捏造出來的，也有助於培養對工具保持適度懷疑、會查證的習慣。
AI軟體開發開發工具