1. 核心流程全景图

---

RAG 的生命周期可以严格划分为两个平行的工作流：离线数据处理流（Data Pipeline） 和 在线检索生成流（Query Pipeline）。

RAG 核心工作流

1.1 离线数据处理流（Data Ingestion）

这个阶段的目标是把人类可读的非结构化文档，转化为机器可高效检索的“数学表示”。

1. 文档加载与解析（Document Loading & Parsing）：

• 提取业务系统中的数据。对于云效工单，可能涉及请求 API 获取 JSON；对于历史文档，可能是解析 PDF/Word/Markdown。
• 去除无用信息（清洗 HTML 标签、特殊符号、无关的水印等）。

2. 文本分块（Chunking）：

• 为什么需要分块？ 大模型有 Context Window（上下文窗口）限制（如 8K、128K）。我们不可能把整个知识库一次性塞进去。
• 分块策略：通常按段落、特定长度（如 500 tokens）进行切分，并且块与块之间保留一定的重叠（Overlap，如 50 tokens），避免把一句话从中间截断导致语意丢失。

3. 向量化（Embedding）：

• 这是 RAG 的灵魂步骤。使用特定的 Embedding 模型（如 text-embedding-3-small、bge-m3），将文本块映射为一个高维稠密向量（例如 1536 维的浮点数数组）。
• 语义空间：在多维空间中，语义相近的文本，它们的向量坐标也距离相近。“服务器宕机”和“机器无响应”在字面上毫无关联，但在向量空间里它们紧紧挨在一起。

4. 存储索引（Vector DB Indexing）：

• 将“原始文本块 + 对应的向量 + 元数据（Metadata，如工单号、时间、作者）”一并存入向量数据库中，建立 ANN（近似最近邻）索引。

1.2 在线检索生成流（Retrieval & Generation）

当用户（或 Agent 内部组件）发出一个查询时：

1. 问题向量化（Query Embedding）：

• 把用户的自然语言查询（如：“云效流水线构建卡在 npm install 怎么办？”），使用同一个 Embedding 模型转化为向量。

2. 向量检索（Retrieval）：

• 向量数据库拿着“问题向量”，去海量的“知识块向量”中进行距离计算（通常是余弦相似度 Cosine Similarity）。
• 召回距离最近的 Top-K（如前 5 个）文本块。

3. Prompt 拼装（Prompt Augmentation）：

• 将检索到的 5 个文本块作为 Context（背景知识），连同用户的 Query，填入预设的 Prompt 模板中。
• 模板示例：“请根据以下参考资料回答用户问题。如果参考资料中没有答案，请说不知道。参考资料：{Context}；用户问题：{Query}”

4. 大模型生成（Generation）：

• 大模型读取包含背景知识的 Prompt，进行推理，生成并输出最终答案。

---

2. 深入理解 Embedding 与相似度

---

很多初学者对“向量化”感到抽象。可以这样理解：如果我们要描述一个“苹果”，我们可以用[甜度, 红色程度, 硬度, 价格]四个维度来打分，得到一个向量 [0.8, 0.9, 0.5, 0.2]。而“香蕉”可能是 [0.9, 0.1, 0.2, 0.2]。 计算这俩向量的夹角，就能知道这两个东西在概念上有多“像”。

目前的深度学习模型可以将一句话映射为成百上千个维度。

• 余弦相似度（Cosine Similarity）：最常用的计算方法，测量两个向量夹角的余弦值。值越接近 1，语义越相关。
• 欧氏距离（L2 Distance）：测量两点之间的绝对直线距离。

3. RAG 相比传统关键字搜索（BM25）的优势

---

传统搜索引擎（如 Elasticsearch 默认分词搜索）依赖精确的词汇匹配。 如果用户搜“应用起不来了”，但历史工单里写的是“服务启动失败”，传统搜索可能一条也查不到。

而基于 Embedding 的 RAG 实行的是语义检索，它理解“起不来”和“启动失败”在语义空间中是相同的，因此能做到真正的“智能匹配”。（注：目前高级的 RAG 系统常采用 向量检索 + 关键字检索 的**混合检索（Hybrid Search）**架构以取长补短）。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】