文章介绍检索增强生成(RAG)技术，通过外部知识库提升大模型问答准确率，解决幻觉问题。RAG技术从Naive发展到Modular阶段，后者采用模块化设计可灵活组合适配场景。RAG广泛应用于文本、代码、知识库等多领域，核心技术包括文档向量化、向量检索和结果重排序，是解决大模型"最后一公里"应用落地的关键技术。
检索增强生成技术（Retrieval-Augmented Generation），通过为大模型接入外部知识库，旨在提升大模型问答准确率，解决大模型幻觉和实效性问题，是提升大模型“最后一公里“应用落地的关键技术。
01
—
RAG技术演进
Naive RAG：朴素rag是一种最基础的，是最基础的一类rag技术，通常召回率较低，导致检索出错误或不相关的信息，进而导致大模型生成答案错误。
Advanced RAG：高级rag新增了检索预处理（Pre- Retrieval）和检索后处理（Post-Retrieval）两个模块，以提升rag的召回率和大模型的生成质量。
Modular RAG：朴素RAG和高级RAG的运行流程是固定的，难以灵活适配不同客户的业务场景。为此，模块RAG将RAG功能抽象成多个独立的模块，让用户可以用乐高的方式自由组合拼接RAG流程。模块化RAG能够更好地适应多样化的场景和需求，已成为rag领域的技术趋势。
02
—
RAG的主流应用
RAG for text：使能智能问答，机器翻译等场景
RAG for code：增强代码生成
RAG for knowledge：增强知识库问答的效果
RAG for image：使能图强生产
RAG for video：音频生成
RAG for science：药物生成
03
—
推理阶段的RAG技术
RAG Embedding：将文档切分成文本块，通过embedding模型提取特征，形成向量表达，再存到向量库里，支持多模态数据，如图像视频语音的向量表示。
主流的embedding模型如bge和text2vector基于transformer结构，具有强大的特征提取能力。但是知识库里有千万级甚至上亿级向量，业界的主流方案是构建高性能向量索引（RAG Index）。
RAG Index：当接到用户的查询请求时，会把用户的查询用rag embedding转化成向量，与知识库里的向量进行比对，从知识库里找到与查询向量相似的向量。目前业界主流的索引有HNSW图索引和IVFPQ倒排索引。
RAG Rerank：重排序，在召回模块之后，对检索召回的query文本和相关的候选文档进行评分的重计算。重排序分为逐点重排和列表重排。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
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
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
