RIG（Retrieval Interleaved Generation，檢索-生成交錯）是一種讓模型邊生成邊檢索的做法：先檢索資料生成部分答案，再根據這段生成內容決定下一輪要檢索什麼，如此反覆疊代，逐步把答案補完整。這跟一次檢索、一次生成的傳統 RAG 不一樣，RIG 更適合需要多步驟推理才能回答的問題。
RIG 的運作邏輯是什麼？
RIG 沒有固定的檢索結構，也不依賴預先建好的分層索引或社群索引，而是每一輪都根據上一輪生成的內容即時決定下一步要查什麼。這讓它比預先索引好的方法靈活，但代價是面對大型資料集時可能比較慢，因為每一輪都要重新判斷、重新檢索，沒有捷徑可抄。
它的核心特性可以拆成三點：
- 交錯的檢索與生成：每次檢索後先產生部分答案，再拿這部分答案去驅動下一輪檢索，一輪接一輪循環，直到答案足夠完整。
- 動態反應查詢需求：因為檢索跟著生成內容走，系統可以隨著推理進度動態調整要找的資料，越查越深入、越查越精確。
- 適用場景：特別適合需要多步推理、或答案得靠一連串資料互相印證才能成立的查詢，例如需要先確認前一輪結論、再補充下一段資訊的情境。
RIG 怎麼一步步回答一個多跳問題？
用一個實際的多跳問題（multi-hop question）來看 RIG 如何運作：「阿基米德是如何影響現代物理學的？」這個問題不好答，因為它牽涉阿基米德本人的貢獻,也牽涉這些貢獻如何被後世的物理學一路承接下來,答案沒辦法靠一次檢索拼出來。
- 初始檢索：系統先查「阿基米德的生平」與「阿基米德的科學貢獻」，找到浮力原理、槓桿定律等資料，生成一段基本介紹阿基米德物理學貢獻的初步答案。
- 第一輪生成後的檢索：系統發現初步答案只提到浮力原理和槓桿理論，但問題問的是「對現代物理學的影響」，範圍還沒接上。於是它針對「浮力原理和槓桿原理如何被後代科學家採用」再檢索一次，找到伽利略、牛頓受阿基米德影響的資料,生成更深入的答案：浮力原理影響了伽利略對物質運動的理解,槓桿理論則是牛頓力學的基礎之一。
- 第二輪生成後的進一步檢索：系統注意到「現代物理學」還包含熱力學、流體力學,這些領域可能也跟阿基米德的研究有關,於是再查一次阿基米德理論在流體力學上的應用,找到現代科學家如何延伸這些理論,最後生成涵蓋多個學科分支與具體人名的完整答案。
最終答案大致長這樣：「阿基米德對現代物理學的影響主要體現在他的浮力原理和槓桿原理。浮力原理為伽利略對於運動的研究提供了基礎，而槓桿理論則是牛頓力學的重要基石。此外，阿基米德的研究還在流體力學方面影響了後來的科學家，進一步推動了流體動力學的發展。」三輪檢索,三次修正,答案才逐漸逼近問題真正要的範圍。
RIG 跟 RAG 差在哪裡？
下圖是同一個統計類問題（"Has the use of renewables increased in the world?"）分別用 Baseline、RIG、RAG 三種方式處理的對比：
Baseline 模型直接吐出答案，沒有引用任何依據。RIG 會在生成過程中插入統計數字佔位符（圖中的 `[DC("...")]` 標記），一邊生成一邊向資料來源（例如 Data Commons）查證這些數字，把查到的數據和來源標號直接嵌回答案裡。RAG 則是反過來：先把問題拆成幾個具體的統計問題，一次檢索完所有支持數據，再把這些數據整批交給模型生成最終回答。
簡單說，RAG 是「先查完再答」，RIG 是「邊答邊查」。RIG 的優勢在於每一步生成都能立刻被檢索結果校正，適合答案需要逐步深入、且下一步該查什麼要看上一步答了什麼的場景；RAG 則在問題可以一次拆解成明確子問題時效率更高，也更容易做批次檢索與快取。
常見問題
RIG 一定比 RAG準確嗎？
不一定。RIG 的優勢是能針對生成內容動態校正，但因為每一輪都要重新檢索與判斷，遇到大型資料集時速度可能較慢，準確度仍取決於每一輪檢索到的資料品質。
RIG 適合哪些應用？
RIG 適合需要多跳推理的問題，例如需要先確認某個中間結論、再依此結論查下一步資料的情境，像是複雜的因果分析或需要多層背景資訊佐證的問答。
RIG 需要特別的索引架構嗎？
不需要。RIG 不依賴預先分層或社群索引，而是即時根據每輪生成結果決定下一步檢索方向，這也是它跟仰賴預建索引的方法最大的差異。
參考資料
- Sahin, S., Retrieval Interleaved Generation (RIG) Using LLM: What Is It and How It Works, Medium, https://medium.com/@sahin.samia/retrieval-interleaved-generation-rig-using-llm-what-is-it-and-how-it-works-aa8be0e27bbc，存取日期：2026-08-27。
延伸閱讀
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2024-11-11