RAG 指的是检索增强生成，开发者利用 RAG 可以将各种工具和服务拼凑起来构建个性化的 AI 服务，例如蓝点网可以将所有文章数据作为源搭建 AI 服务，当提问时 AI 会自动从这部分数据里给出回答。

以前开发者构建 RAG 需要将多个服务例如数据存储、适量数据库、嵌入模型、LLM 以及自定义索引、检索、生成逻辑拼接，更新数据时还可能还需要重新索引并重新生成嵌入，整个过程变得比较麻烦。

Cloudflare AutoRAG 服务可以解决这些问题，开发者只需要简单点击几下就可以提供端到端的完全托管的 RAG 通道：从数据提取到自动分块和嵌入数据，将向量存储在 Cloudflare Vectorize 数据库中，执行语义检索并使用 Workers AI 生成高质量回答。

AutoRAG 可以在后台持续监控开发者的数据源和索引让 AI 保持最新状态而无需人工干预，帮助开发者构建更加智能和更快的应用程序，这些都只需要通过 Cloudflare AutoRAG 即可轻松构建。

开发者也不需要编写代码使用 Workers AI、向量数据库和 AI Gateway 来创建 RAG 系统，只需要创建 AutoRAG 实例并将其指向数据源例如 Cloudflare R2 存储桶即可，在背后 Cloudflare 通过两个过程：索引和查询提供支持。

索引编制是个在后台运行的异步过程，该过程在创建 AutoRAG 后立即启动并自动循环，在每一个作业完成后都重新处理文件或更新的文件，在索引编制过程中，用户提供的内容也会被自动转换为针对语义搜索优化的向量。

查询则是用户发送搜索请求时触发的同步过程，AutoRAG 接受查询并从矢量数据库中检索最新内容，然后使用大型语言模型生成具有上下文窗口感知的回应。

在公测期间 AutoRAG 可以免费启用，包括索引、检索和增强的计算操作都不会产生额外费用，每个账户可以免费创建最多 10 个 AutoRAG 实例，每个实例最多可以上传 10 万个文件。

但需要注意的是虽然这个功能本身暂时免费，使用的其他资源例如 Cloudflare R2 还是要收费的，具体有兴趣的开发者可以前往 Cloudflare 控制台、AI、AutoRAG 下查看帮助。