摘要：ChatGPT很强，但它不是万能。这篇文章用通俗语言讲清楚：RAG到底是什么、为什么它才是企业真正需要的AI技术，适合每一个想搞懂AI落地逻辑的人看看。

ChatGPT很强，但它不是万能。这篇文章用通俗语言讲清楚：RAG到底是什么、为什么它才是企业真正需要的AI技术，适合每一个想搞懂AI落地逻辑的人看看。

我们来详细拆解一下 RAG (检索增强生成) 的工作流程。这是一个将信息检索（IR） 与大语言模型（LLM） 的强大生成能力相结合的过程。

其核心思想是：不要让LLM凭空想象，而是让它基于提供的“参考资料”来回答问题。

整个工作流程可以清晰地划分为两个主要阶段：索引（Indexing） 和查询（Retrieval & Generation）。下图展示了这一过程的完整蓝图：

第一阶段：索引（Indexing） – “准备知识库”

这个阶段是离线的，目的是将原始知识库处理成易于检索的格式。

1）加载（Loading）

输入：原始文档（PDF、Word、HTML、Markdown、数据库等）。

过程：使用文档加载器读取文件内容，并将其转换为纯文本格式。

输出：原始文本数据。

2）分割（Splitting）

输入：上一步得到的原始文本。

过程：使用文本分割器将长文本切分成更小的、有重叠的“块”（Chunks）。这是因为：

输出：多个文本块（Text chunks）。

3）向量化（Embedding）

输入：文本块。

过程：使用嵌入模型（Embedding Model） 将每个文本块转换为一个高维数值向量（Vector Embedding）。这个向量可以理解为该文本语义的数学表示，语义相似的文本其向量在空间中的距离也更近。

输出：文本块对应的向量数组。

4）存储（Storing）

输入：向量 + 原始的文本块（以及可选的元数据，如来源、标题等）。

过程：将这些(向量, 文本, 元数据)对存储到向量数据库（Vector Database） 中。向量数据库专门为高效相似性搜索而设计。

输出：一个准备好的、可供查询的向量知识库。

第二阶段：查询（Retrieval & Generation） – “问答进行时”

这个阶段是在线、实时进行的，每当用户提出一个问题时触发。

1）查询输入（Query）：

用户提出一个问题，例如：“公司今年的年假政策有什么主要变化？”

2）查询向量化（Query Embedding）：

使用第一阶段相同的嵌入模型，将用户的问题也转换为一个向量。

3）检索（Retrieval）：

过程：在向量数据库中，进行相似性搜索（Similarity Search）。算法（如k-NN）会计算查询向量与库中所有向量之间的“距离”，并找出距离最近（即语义最相似）的 Top-K个文本块。

在 RAG（检索增强生成）里，Top-K 指的是从海量文档中，根据与问题的相关性，筛选出最匹配的前 K 个片段。

比如你问 “猫的饮食习惯”，系统会从文档中找相关内容，Top-K=3 就取最相关的 3 段。K 是可调整的参数，比如 K=5 就取前 5 个。

选多少合适？K 太小可能漏掉关键信息，太大则引入冗余内容，影响 AI 回答的准确性和效率。实际应用中需根据场景调试，平衡相关性和处理速度。

1）输出：最相关的几个文本片段（Contexts）。

2）增强（Augmentation）：

过程：将用户的问题和检索到的相关文本片段组合成一个新的、增强后的提示（Prompt），交给LLM。

提示示例：

“”” 请仅根据以下提供的上下文信息来回答问题。如果答案不在上下文中，请直接说“根据提供的信息，我无法回答这个问题”。

【上下文开始】 {这里插入检索到的Top-K个相关文本片段} 【上下文结束】

问题：{用户的问题} 答案： “””

3）生成（Generation）：

过程：LLM接收到这个增强后的提示后，会基于提供的上下文（而不是其内部可能过时或不准确的知识）来生成答案。

输出：一个准确、有据可循的最终答案。

总结与类比

你可以把RAG的工作流程想象成一个开卷考试：

这种方式有效解决了LLM的“幻觉”问题，提高了答案的可信度，并且可以通过更新知识库来让LLM获取最新知识，而无需重新训练模型，成本极低。

1. 召回源-多路召回（稀疏召回、语义召回、字面召回）

截断和召回分数的对齐问题-采用的召回后加一重排序的阶段（精简召回数、提升召回质量）

embedding模型、重排序模型、生成模型-根据系统作答-针对性微调

2. RAG评测

1、检索-MRR平均倒排率、top-k（Hits Rate)命中率、NDCG排序指标

2、生成

3. 如何做RAG项目（AI训练师）

来源：人人都是产品经理