1. 什么是RAG

RAG（Retrieval-Augmented Generation）是 “检索辅助生成” 的特定技术框架，核心满足 3 个条件：

• 核心目标：提升大模型生成内容的准确性、时效性、可追溯性。
• 核心流程：先从外部知识库（文档、数据库等）检索与用户需求相关的信息，再将 “检索结果 + 用户需求” 一起输入大模型。
• 核心关系：检索是手段，生成是目的，检索为生成提供外部知识支撑（解决大模型知识过期、幻觉问题）。
  RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合「检索」与「生成」的AI技术，核心是让大模型在生成答案前，先从外部知识库中检索相关信息，再基于检索结果和自身知识生成回复。

1.1 核心原理

• 检索阶段：用户提问后，系统先从预设的外部知识库（如文档、数据库、网页等）中，快速筛选出与问题高度相关的片段。
• 增强生成阶段：将检索到的相关信息作为「参考资料」，与用户问题一起输入大模型，让模型结合参考资料和自身训练知识，生成准确、有依据的答案。

1.2 核心价值

• 解决大模型「知识过期」问题：无需重新训练模型，只需更新外部知识库，就能让模型掌握最新信息（如2025年的新政策、行业动态）。
• 提升答案「准确性」和「可追溯性」：答案基于明确的参考资料生成，减少模型幻觉（虚构信息），且可标注答案来源。
• 降低「训练成本」：相比微调大模型，更新知识库的成本更低、效率更高，适合中小团队或高频更新知识的场景（如企业内部文档、产品手册）。

1.3 典型应用场景

• 企业知识库问答：员工查询内部制度、技术文档、产品说明（如“公司报销流程是什么？”）。
• 智能客服：基于最新的产品信息、售后政策，解答用户咨询（如“某型号产品的保修期限是多久？”）。
• 专业领域问答：结合行业文献、法规条文，生成专业回复（如法律条文解读、医疗常识查询）。
• 个人知识管理：整合个人笔记、学习资料，快速检索并生成总结（如“这个知识点的核心内容是什么？”）。

1.4 关键组成部分

• 外部知识库：存储待检索的原始信息（支持文档、表格、PDF、网页等多种格式）。
• 检索引擎：负责快速匹配用户问题与知识库内容（常用技术如向量检索、关键词检索）。
• 大模型：基于检索结果生成自然语言回复（如GPT、LLaMA、文心一言等）。
• 数据处理模块：将原始知识库内容转化为适合检索的格式（如拆分文档片段、生成向量嵌入）。

这张图对AI技术能力分层与关联的可视化解释，核心是清晰区分三类技术模式，并点明RAG的组成逻辑：

• 检索模式（橙色模块）
  对应“文件/搜索”领域，聚焦信息的存取、查找和计算，典型场景包括：

  • 存取：管理文件、数据库的存储与读取（如云盘文件管理、数据库CRUD操作）；
  • 查找：通过关键词、向量等方式检索信息（如搜索引擎、企业知识库查询）；
  • 计算：基于检索结果做统计、分析（如从数据库拉取数据后做报表计算）。

• 生成模式（蓝色模块）
  对应“GenAI/AIGC（生成式AI/人工智能生成内容）”领域，聚焦学习、预测和创造，典型场景包括：

  • 学习：基于数据训练模型（如训练大模型理解语言规则）；
  • 预测：基于已有模式生成内容（如AI写邮件、预测用户行为）；
  • 创造：生成全新的、有创意的内容（如AI绘画、写小说）。

• 行动模式（绿色模块）
  对应“Agent/智能体”领域，聚焦推理、协作和执行，典型场景包括：

  • 推理：基于信息做逻辑判断（如AI分析财务数据后给出决策建议）；
  • 协作：多智能体分工完成任务（如多个AI工具协同处理复杂项目）；
  • 执行：直接操作外部系统（如AI自动发送邮件、控制物联网设备）。

• RAG的定位（底部关联）
  图中用“文件/搜索 + GenAI/AIGC”的组合标注了RAG（检索增强生成），意思是：
  RAG是检索模式和生成模式的结合——先通过“检索模式”从外部知识库（文件、搜索结果等）获取信息，再通过“生成模式”的大模型，结合这些信息生成精准、有依据的内容（如基于企业文档生成问答、基于行业报告生成分析）。
  
  这张图以《黑神话：悟空》为例，直观呈现了RAG的完整流程：

1. 用户先提出关于游戏发售时间、类型、战斗风格的问题；
2. 系统随即从存储着官方公告、媒体报道等文档向量块的知识库中，检索出相关文档片段；
3. 之后大模型结合这些检索结果与问题生成回答。
   对比“不做RAG”时大模型因缺乏信息而无法回答的情况，RAG通过“检索外部知识+大模型生成”的组合，解决了大模型知识过期、易产生幻觉的问题，让AI的回答从模糊空白变得精准且有依据，本质是为大模型加装了“外置知识库”，复刻了人类“查资料再创作”的逻辑。

换个视角看：

这张图从知识存储、回忆机制、推理响应三个维度，拆解了 RAG 的技术实现流程：

• 知识存储（长期记忆形成）：通过 “知识嵌入” 环节将文本转化为向量表示，再把这些向量存储到 “向量数据库” 中，完成外部知识的长期留存，类似人类把信息存入长期记忆。
• 回忆机制（检索环节）：当有用户查询时，先把查询转化为向量，然后由 “检索器” 基于相似度从向量数据库中查找相关文档片段，这一步就像人类根据问题从记忆里调取相关信息。
• 推理和响应（生成环节）：“生成器” 会结合检索到的相关上下文，生成最终的系统回答，相当于人类基于调取的记忆进行思考并输出结论。
  整个 RAG 流程可总结为 “文档嵌入存储→相似度检索→增强生成”，通过这样的技术链路，让大模型能高效利用外部知识，输出准确且有依据的回答。

RAG流程：

这张图和文字结合，从模块分工和流程步骤两方面，：

先看左侧的模块说明：

• 知识嵌入（Embedding）：把文本知识变成向量，捕捉语义信息，比如“《黑神话：悟空》发售时间”会被转化成计算机能理解的向量形式。
• 向量数据库（Vector DB）：专门存这些向量，相当于一个“语义级”的知识库，比如把所有游戏相关的文档向量都存在这里。
• 检索器（Retriever）：用户问“游戏类型是什么”时，它先把这个问题转成向量，再去向量数据库里找最相似的文档片段，比如从媒体报道、开发者访谈的向量中匹配相关内容。
• 生成器（Generator）：拿到检索到的文档片段后，就像人类结合资料写回答一样，生成流畅又准确的系统回答，比如说明游戏是动作角色扮演类型。

再看右侧的流程步骤（标了1-4）：

1. 先通过知识嵌入把文档转成向量，存到向量数据库（知识存储阶段）；
2. 用户发起查询后，检索器把查询转成向量，从向量数据库里找相似文档（回忆机制）；
3. 生成器结合这些文档生成回答（推理响应）；
4. 最终输出系统回答。

整个流程就是“文档嵌入存储→相似度检索→增强生成”，每个模块各司其职，让RAG能高效地把外部知识和大模型生成能力结合起来，解决大模型知识过期、回答没依据的问题。

2. RAG核心步骤

2.1 索引

这张图展示RAG中索引构建的完整流程，也就是把外部知识转化为可检索的“向量索引”的过程，分为四个核心环节：

1. 加载（LOAD）：导入各类知识源
   先把要检索的知识导入系统，支持的类型很丰富，比如代码（<//>）、文档（文件图标）、文本（列表图标）、JSON数据、网页URL等，相当于把分散的知识“收集”起来。

2. 分割（SPLIT）：把知识拆成小段
   因为大段文本不利于精准检索，所以要把导入的知识分割成一个个小片段（比如按段落、按语义单元拆分），就像把一本书拆成章节和小节，方便后续处理。

3. 嵌入（EMBED）：把文本变成向量
   这一步是“索引”的核心技术环节——用嵌入模型（Embedding Model）把每个文本片段转化为向量（一组数字）。这些向量能捕捉文本的语义信息，比如“游戏发售时间”和“上线日期”虽然文字不同，但语义相似，它们的向量也会很接近。

4. 存储（STORE）：把向量存到数据库
   最后把这些向量存储到向量数据库中（图中带节点的图标），形成“向量索引”。当用户提问时，系统会把问题也转成向量，然后在这个数据库里快速找到语义最相似的向量对应的文本片段，实现精准检索。

简单来说，RAG的“索引”就是通过“加载→分割→嵌入→存储”这一系列操作，把人类能理解的文本知识，转化为计算机能快速检索的“向量知识库”，为后续的“检索增强生成”打好基础。

2.2 检索和生成

用户提出问题后，先进入检索（RETRIEVE）环节——从存储的知识片段（图中网格块）里，基于语义相似度找到与问题相关的内容。接着，这些检索结果会和问题一起组成提示（PROMPT），输入给大模型（LLM）。最后，大模型基于提示生成回答（Answer）。这张图揭示 RAG“检索外部知识增强生成”的本质：通过检索环节为大模型补充精准的外部信息，让生成的回答更准确、有依据，解决了大模型知识过期或幻觉的问题。