本文介绍了RAG（检索增强生成）技术，该技术通过结合外部知识库和实时检索技术提升大模型问答的准确率，有效解决大模型幻觉和实效性问题。文章详细解释了RAG的工作流程，包括检索、增强和生成三个阶段，并深入探讨了主流的RAG算法，如RAG Embedding、RAG Index和RAG Reranker。通过这些算法，大模型能够像参加“开卷考试”一样，实时查找知识库中的相关资料，从而更好地回答用户的问题。

1、RAG是什么

RAG(Retrieval-Augmented Generation)：检索增强生成，通过为大模型接入外部知识库，将传统生成式大模型与实时检索技术相结合，为大模型补充来自外部的相关数据和上下文，提升大模型问答准确率，解决大模型幻觉和实效性问题。

检索：根据用户的输入，从外部知识库中检索出相关的信息，这一步通常是把多模态数据表示成向量，通过向量检索得到最相关的信息。

增强：将用户的查询内容跟检索到的相关知识一起放到提示词模板里。

生成：将经过检索增强的提示词输入到大模型中，通过大模型推理，得到最终的输出结果。

RAG技术的本质是让大模型参加「开卷考试」，通过RAG查找知识库中相关资料，从而解决大模型没有学过的问题。

2、主流RAG算法

1、RAG Embedding

文档经过切分得到文本块，每一段文本通过Embedding模型进行特征提取，得到每个文本块的向量表达，最后将这些向量存储到知识库里，这个过程叫做RAG Embedding。

不仅文档可以转换成向量，图像、视频、语音等多模态数据也可以转换成向量。通过将不同模态的数据都映射到统一向量空间，以实现多模态知识的互联互通。

业界主流的Embedding模型包括BGE、Sentence-BERT、text2vec等。这些模型的共同特点是都由Transformer结构组成。

2、RAG Index

当接到用户的查询请求时，通过RAG Embedding将用户的查询请求转换成向量，然后将这个向量与知识库中的向量进行比对，从知识库中找到与查询向量最相似的一组向量。

然而，在实际业务中，知识库中有数千万甚至上亿条向量，如果将查询向量和知识库中的向量进行逐一比对，向量检索的计算量会非常大，无法满足时效性要求。

因此，业界的主流方案是在向量的底库上构建一个高性能的向量索引，检索时基于向量索引快速查询到对应的向量，从而大幅减少向量检索的计算开销，这个建立向量索引的过程叫RAG Index。

业界主流的向量索引包括HNSW图索引和IVFPQ索引。

HNSW（Hierarchical Navigable Small World）分层导航小世界图

HNSW通过分层导航小世界图实现搜索优化。每一层的节点通过边连接，表示节点间的接近程度。上层图用于快速跳跃，底层图则进行精细搜索。搜索过程包括以下步骤：

1. 从顶层的入口点开始，利用贪婪搜索找到与查询向量最近的节点。

2. 达到局部最优后，跳转到下一层并重复搜索。

3. 在最底层完成最终的精细搜索，返回最近邻结果。

IVF_PQ（ Inverted File with Product Quantization）

IVF 就像在一本书中创建索引。 你不用扫描每一页（或者，在我们的情况下，每一个向量），而是在索引中查找特定的关键词（群组），从而快速找到相关的页面（向量）。

IVFPQ 中包含了两个关键概念：

倒排索引（Inverted File）： 这是一种数据结构，用于加速搜索。对于每个特征向量，倒排索引存储了包含该特征向量的数据的列表，这使得在查询时可以快速定位包含相似特征的数据。

乘积量化（Product Quantization）： 这是一种降维和量化的技术。在数据检索中，通常使用很高维度的特征向量来描述数据。乘积量化通过将这些高维向量分解成较小的子向量，并对每个子向量进行独立的量化，从而减少了存储和计算的复杂性。这有助于加快检索速度。

3、RAG Reranker

在向量检索完成后，RAG Reranker会对检索到的结果进行重排序。重排序分为逐点重排（Pointwise Reranking）和列表重排（Listwise Reranking）。逐点重排是“给每篇文章单独打分”，列表重排是“看完所有文章再直接排名次”。

Pointwise是工业界RAG主流，追求高效稳定；Listwise是高精度检索进阶方案，追求排序质量，适合搜索与专业场景。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】