RAG是什么？

RAG（Retrieval-Augmented Generation，检索增强生成）, 一种AI框架，将传统的信息检索系统(例如数据库)的优势与生成式大语言模型(LLM)的功能结合在一起。不再依赖LLM训练时的固有知识，而是在回答问题前，先从外部资料库中“翻书”找资料，基于这些资料生成更准确的答案。

RAG技术核心缓解大模型落地应用的几个关键问题：

  • 知识新鲜度：大模型突破模型训练数据的时间限制

  • 幻觉问题：降低生成答案的虚构概率，提供参照来源

  • 信息安全：通过外挂知识库而不是内部训练数据，减少隐私泄露

  • 垂直领域知识：无需训练直接整合垂直领域知识

RAG核心流程

2.1 知识准备阶段

2.1.1 数据预处理

a. 文档解析

输入：原始文档（如Markdown/PDF/HTML）

操作：

  • 提取纯文本（如解析Markdown标题、段落）

  • 处理特殊格式（如代码块、表格、图片、视频等）

例如：

[标题] 什么是 ROMA？
[段落] ROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。
[段落] ROMA 框架的中文名为罗码。
[标题] 今天天气
[列表项] 今天的室外温度为35°C，天气晴朗。
文档的解析过程需要考虑不同文档内容例如文本、图片、表格等场景，以及文档的语言，布局情况，可以考虑使用一些优秀的三方工具或者一些视觉模型，布局分析模型，语义理解模型来辅助解析。
b. 数据清洗与标准化处理

提升文本质量和一致性，使向量表示更准确，从而增强检索相关性和LLM回答质量；同时消除噪声和不规则格式，确保系统能正确理解和处理文档内容。包括:

  • 去除特殊字符、标签、乱码、重复内容。

  • 文本标准化，例如 时间、单位标准化（如“今天” → “2025-07-17”）。

  • 其他处理

数据的清洗和标准化过程可以使用一些工具或NLTK、spaCy等NLP工具进行处理。

例如:

<p>ROMA框架</p>
处理：
"ROMA框架"
今天的室外温度为35°C，天气晴朗。
处理：
"2025-07-17 的室外温度为35°C，天气晴朗"

c. 元数据提取

关于数据的数据，用于描述和提供有关数据的附加信息。

  • 文档来源：文档的出处，例如URL、文件名、数据库记录等。

  • 创建时间：文档的创建或更新时间。

  • 作者信息：文档的作者或编辑者。

  • 文档类型：文档的类型，如新闻文章、学术论文、博客等。

元数据在RAG中也非常重要，不仅提供了额外的上下文信息，还能提升检索质量：

  1. 检索增强
  • 精准过滤：按时间、作者、主题等缩小搜索范围
  • 相关性提升：结合向量相似度和元数据特征提高检索准确性

ii. 上下文丰富

  • 来源标注：提供文档来源、作者、发布日期等信息

  • 文档关系：展示文档间的层级或引用关系

iii. 常见的元数据提取方式:

  • 正则/HTML/… 等解析工具，提取标题、作者、日期等

  • 自然语言处理: 使用NLP技术（如命名实体识别、关键词提取）从文档内容中提取元数据，如人名、地名、组织名、关键词等

  • 机器学习模型: 训练机器学习模型来自动提取元数据

  • 通过调用外部API（如Google Scholar API、Wikipedia API）获取文档的元数据

例如：

complete_metadata_chunk1 = {
'file_path': '/mydocs/roma_intro.md',
'file_name': 'roma_intro.md',
'chunk_id': 0,
'section_title': '# 什么是 ROMA？',
'subsection_title': '',
'section_type': 'section',
'chunking_strategy': 3,
'content_type': 'product_description',
'main_entity': 'ROMA',
'language': 'zh-CN',
'creation_date': '2025-07-02',  # 从文件系统获取
'word_count': 42  # 计算得出,
'topics': ['ROMA', '前端框架', '跨平台开发'],
'entities': {
'products': ['ROMA', 'Jue语言'], # 实体识别
'platforms': ['iOS', 'Android', 'Web']
},
}

2.1.2 内容分块(Chunking)

在RAG架构中，分块既是核心，也是挑战，它直接影响检索精度、生成质量，需要在检索精度、语境完整性和计算性能之间取得平衡。

内容分块将长文档切分成小块，可以解决向量模型的token长度限制，使RAG更精确定位相关信息，提升检索精度和计算效率。

  • AutoBots(JoyAgent)功能分块：

实际RAG框架中按照文档的特性选择合适的分块策略进行分块。

  • 常见的分块策略：

a. 按大小分块

按固定字符数进行分块，实现简单但可能切断语义单元。

优点：实现简单且计算开销小，块大小均匀便于管理。

缺点：可能切断语义单元，如句子或段落被分到不同块中。

例如：

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony
第二段：、Web三端运行的跨平台解决方案。ROMA框架的中文名为罗码。

句子被截断，“一份代码，可在iOS、Android、Harmony” 和 “、Web三端运行的跨平台解决方案” 被分到不同块，影响理解。

b. 按段落分块

以段落为基本单位进行分块，保持段落完整性，但段落长度可能差异很大。

优点：尊重文档自然结构，保留完整语义单元。

缺点：段落长度差异大，可能导致块大小不均衡。

例如：

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony、Web三端运行的跨平台解决方案。ROMA框架的中文名为罗码。
第二段：# 核心特性1. 跨平台：一套代码运行于多端2. 高性能：接近原生的性能表现3. 可扩展：丰富的插件系统

第一段包含标题和多行内容，而其他段落相对较短，可能导致检索不均衡。

c. 按语义分块

基于文本语义相似度进行动态分块，保持语义连贯性，但计算开销大。

说明：基于文本语义相似度动态调整分块边界。

优点：保持语义连贯性，能识别内容主题边界。

例如：

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。
第二段：ROMA框架的中文名为罗码。
## 核心特性1. 跨平台：一套代码运行于多端

使用依赖模型质量，相同文本在不同运行中可能产生不同分块结果。

d. 分块策略总结

e. 优化方式

  • 混合分块策略

结合多种分块方法的优点，如先按段落分块，再根据块大小调整，做到既保持语义完整性，又能控制块大小均匀

  • 优化重叠区域

根据内容特性动态调整块之间的重叠区域大小，关键信息出现在多个块中，提高检索召回率

f. 常用的分块工具

  • Lang Chain框架：提供多种分块策略，包括RecursiveCharacterTextSplitter、MarkdownTextSplitter等

  • NLTK：用于基于自然语言句子的分块

  • spaCy：提供语言学感知的文本分割

2.1.3 向量化

将高维文本数据压缩到低维空间，便于处理和存储。将文本转换为计算机可以理解的数值，使得计算机能够理解和处理语义信息，从而在海量数据文本中实现快速、高效的相似度计算和检索。

简单理解：通过一组数字来代表文本内容的“本质”。

例如，“ROMA是一个跨平台解决方案…”这句话可能被转换为一个384维的向量：

[块1] 什么是ROMA？
ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)...
[
{
"chunk_id": "doc1_chunk1",
"text": "# 什么是 ROMA？\nROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web端运行的跨平台解决方案。",
"vector": [0.041, -0.018, 0.063, ..., 0.027],
"metadata": {
"source": "roma_introduction.md",
"position": 0,
"title": "ROMA框架介绍"
}
},
// 更多文档块...
]
  • 常用的Embedding模型：

2.1.4 向量数据库入库

将生成的向量数据和元数据进行存储，同时创建索引结构来支持快速相似性搜索。

  • 常用的向量数据库包括：

2.2 问答阶段

2.2.1 查询预处理

  • 意图识别：使用分类模型区分问题类型（事实查询、建议、闲聊等）。

  • 问题预处理：问题内容清洗和标准化，过程与前面数据预处理类似。

  • 查询增强：使用知识库或LLM生成同义词（如“动态化” → “Roma”），上下文补全可以结合历史会话总结（例如用户之前问过“Roma是什么”）。

2.2.2 数据检索(召回)

a. 向量化

使用与入库前数据向量化相同的模型，将处理后的问题内容向量化。

例如：

问题: "ROMA是什么?"
处理后
{
"vector": [0.052, -0.021, 0.075, ..., 0.033],
"top_k": 3,
"score_threshold": 0.8,
"filter": {"doc_type": "技术文档"}
}
b. 检索

  • 相似度检索：查询向量与所存储的向量最相似(通过余弦相似度匹配)的前 top_k 个文档块。

  • 关键词检索：倒排索引的传统方法,检索包含“Roma”、“优势”等精确关键词的文档。

  • 混合检索：合并上面多种检索结果，效果最优。

例如：检索“ROMA是什么?”

c. 重排序(Reranking)

初步检索在精度和语义理解上的不足，通过更精细的上下文分析提升结果相关性。它能更好处理同义词替换、一词多义等语义细微差异，使最终结果准确。

  • 原理：使用模型对每个检索结果计算相关性分数。

  • 归一化：重排序模型原始输出分数没有固定的范围，它可能是任意实数，将结果归一化处理，将分数映射到 [0, 1] 范围内，使其更容易与向量相似度分数进行比较。

例如：

  • 常用的重排序模型：

2.2.3 信息整合

格式化检索的结果，构建提示词模板，同时将搜索的内容截断或摘要长文本以适应LLM上下文窗口token。

提示词优化：

  1. 限定回答范围

  2. 要求标注来源

  3. 设置拒绝回答规则

  4. …

例如：

prompt 模板：
你是一名ROMA框架专家，请基于以下上下文回答：
参考信息:
[文档1] 什么是 ROMA？
ROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。
ROMA 框架的中文名为罗码。
[文档2] Roma介绍？
[Roma介绍](docs/guide/guide/introduction.md)
文档地址: https://roma-design.jd.com/docs/guide/guide/introduction.html
要求：
1. 分步骤说明，含代码示例
2. 标注来源文档版本
3. 如果参考信息中没有相关内容，请直接说明无法回答，不要编造信息
请基于以下参考信息回答用户的问题。如果参考信息中没有相关内容，请直接说明无法回答，不要编造信息。
用户问题: ROMA是什么？
回答: {answer}

2.2.4 LLM生成

向LLM（如GPT-4、Claude）发送提示，获取生成结果。

  • AutoBots(JoyAgent)示例：

以上，实现了最简单的RAG流程。实际的RAG过程会比上述麻烦更多，包括图片、表格等多模态内容的处理，更复杂的文本解析和预处理过程，文档格式的兼容，结构化与非结构化数据的兼容等等。

最后，展示一下RAG各阶段的优化方式：

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

# 人工智能
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

《基于 FastAPI + LangGraph + LLM 大语言模型的通用 Agent 多智能体系统架构设计与开发实战、产业应用》

"""执行智能体任务，更新状态"""prompt = f"作为self . llm = llm async def execute(self , state : AgentState) - > AgentState : """执行智能体任务，更新状态""" prompt = f"作为 {self . role . value } ，当前状态: {

avatar 2048 AI社区
cover

什么是RAG重排序？ 3 分钟落地最强轻量级重排序模型 BGE-Reranker-v2-m3

avatar 2048 AI社区
cover

JavaJUC 并发工具箱：常见类、线程安全集合与死锁

avatar 2048 AI社区