RAG技术通过信息检索与内容生成结合，解决大模型幻觉问题。其七大核心包括：向量数据库实现语义检索，混合检索平衡关键词与语义匹配，分块嵌入优化文档处理，重排序提升相关性，上下文融合整合多源知识，准确率与召回率评估检索质量，以及知识图谱捕捉实体关系。这些技术共同构建高效准确的RAG系统，是AI产品经理必备技能。
1、向量数据库
向量数据库是 RAG 最重要的基础设施之一。
传统数据库的内容查询主要依赖“关键词匹配”，对查询的精确度要求很高。
比如，如果你查询“如何提高工作效率”，而数据库只有“时间管理技巧”内容，那么就无法搜索出任何内容。
而向量数据库就可以有效解决这个问题，它会把各种知识都转换成一组组数字（向量），这些数字能代表知识的内容和特点，
当你在 RAG 系统中输入查找信息时，它会把输入信息也转换成一组数字（向量），然后在数据库中找出最相关的知识，从而实现“语义检索”。
图片来源：百度
比如，下面的每个知识都转化为了一个 3 维向量（实际应用中可能把一个知识转化为几十甚至几千维的向量）：
时间管理：[0.12，0.23，0.46]
工作地点：[0.92，0.82，0.65]
考勤制度：[0.83，0.93，0.78]
当用户查询“工作效率”，向量数据库就可以把“工作效率”转化为向量： [0.12，0.23，0.53]。
显然它和“时间管理”的向量 [0.12，0.23，0.46] 相似度很高——从业务上来说，是因为“时间管理”是提高“工作效率”的一种有效方法，这就导致两者的语义高度相关。
其实，这就是“语义检索”的过程。
在传统客服系统中，由于依赖“关键词匹配”，在面对复杂咨询时，就很难给出用户想要的答案。
而 AI 客服使用向量数据库，当用户咨询时，可以通过 “语义检索”快速找到最相关的答案，从而提升用户体验和满意度。
2、混合检索
图片来源：CSDN@智兔唯新
基于向量知识库的语义检索虽然很好，但是也存在 2 个问题：
首先是面对超大数据量，语义检索的速度不如传统的关键词检索。
其次是对于一些需要精确匹配的场景，关键词匹配更有优势。比如在法律文件检索中，法律条文、案例等对措辞的精准要求就很高。
因此，在很多场景下，RAG 会同时使用关键词检索和语义检索，从而尽可能的提升检索体验。
比如，在电商平台上，用户搜索“无线蓝牙耳机”。纯语义检索可能会推荐一些带有“无线”或“蓝牙”字样的普通耳机，但混合检索除了语义匹配，还会根据关键词“无线蓝牙”进行精确匹配，确保优先推荐符合“无线蓝牙耳机”这一完整要求的产品。
3、分块、嵌入与索引
RAG在存储知识时，为了更高效地管理和检索，通常会将原始文档按照一定的规则（如固定长度、语义单元等）分块。
就如同一本很长的小说，如果把它切成一个个章节或者更小的段落块，那么在查找某个故事情节时就更方便快捷。
分块以后，还需要把每一个块转化为向量，从而存储到向量数据库，这就是嵌入。
嵌入以后，还可以把向量存储到一个高效的检索结构中，以便快速进行相似性计算和检索，这就是索引。
比如，某法律咨询平台为用户提供在线法律咨询服务。
由于法律领域的知识库通常非常庞大且复杂，包含大量的文本信息，如法律条文、司法解释、案例判决书等。
在构建知识库时，就可以将法律条文、案例等长文本分割成多个小块，同时，利用索引结构记录每个小块的向量位置，以便快速检索。
这样，当用户输入法律问题，如“合同违约的赔偿标准是什么”，RAG 就可以从数据库中快速找到最相关的多个小块，并通过上下文融合来生成更为准确和完整的答案。
4、重排序（re-rank）
图片来源：公众号：AI大模型应用实践
当 RAG 从数据库中检索出多个内容时，需要选取相关性最大的内容喂给大模型，从而提高大模型的回答质量。
所谓重排序，是指 RAG 将初步检索出来的内容进行重新排序，其目的是将最相关的信息排在前面，从而选取出相对更为准确的内容。
打个比方，你想让 AI 搜索一批书籍，RAG 会先大致找出一批可能你想要的书籍，然后仔细评估每一本书和你需求的契合程度，把最符合你心意的书排在最前面，方便你优先查看。
重排序的应用非常广泛，比如电商平台根据用户需求初步筛选出一批商品后，就会通过“重排序”，根据用户的实时行为、偏好历史等，对推荐商品进行重新排序，把更符合用户当下需求的商品排在前面，提高推荐的准确性和实用性。
5、上下文融合
上下文融合是指 RAG 将从多个来源检索到的知识进行整合，以便为大模型提供更全面、连贯的输入内容，这样大模型的回答才能条理清晰、内容完整。
比如，在智能客服场景中，用户咨询：“我刚收到的商品有点瑕疵，我可以申请退货吗？”
要回答好这个问题，RAG 就需要从多个来源检索信息，比如用户的订单信息、退货政策等，再把这些内容整理成统一的内容，以便大模型能够基于内容生成高质量的回答。
6、准确率和召回率
准确率（Precision）是指在 RAG 检索到的内容中，与用户问题真正相关的内容的比例。
例如，在一个问答系统中，检索到 10 条知识，其中有 8 条与用户问题高度相关，那么准确率就是 80%。
准确率是衡量检索质量最重要的指标之一。
比如，智能客服在回答用户问题时，如果准确率不高，就会提供大量不相关或错误的答案，影响用户体验。
但是，只有高的准确率还不够，还必须有高的召回率。
所谓召回率（Recall），是指与用户问题相关的所有知识中，被成功检索到的比例。
例如，知识库中有 20 条与用户问题相关的知识，检索到 12 条，那么召回率就是 60%。
在实际应用场景中，召回率和准确率往往会成为跷跷板。比如如果过度追求高召回率，可能会导致检索结果中包含大量不相关的信息，影响准确率。反之亦然。
比如，在一个电商商品检索系统中，为了尽可能多地召回相关商品，降低了检索阈值，结果导致很多边缘相关甚至不相关的商品也出现在结果中。
在这种情况下，我们可以引入 F1 值进行综合评估，从而找到召回率和准确率之间的平衡点。
F1 值的计算公式是：F1= 2*(准确率*召回率)/(准确率+召回率)。
在这个公式中，当准确率或者召回率中的任何一个非常低时，F1 值也会相应的降低。
7、知识图谱
图片来源：CSDN@思通数科x
知识图谱就像是一个巨大的知识网络，把各种知识当作一个个节点，并且把有关系的节点进行连接。
比如，通过知识图谱可以对菜谱知识进行管理，把各个菜谱、原材料、烹饪方法连接起来，这样，当用户询问“用鸡蛋可以做哪些菜”时，RAG 就可以通过“菜谱-原材料”的连接关系，准确找到使用“鸡蛋”的菜谱。
通过知识图谱，RAG 能够捕捉到实体间的复杂关系，还能够基于已有的实体关系进行推理和扩展，发现更多潜在的相关信息，从而大大提升准确率和召回率。
比如，一年级有 5 个班，RAG 数据库中记录了 5 个班各自的期末成绩，但是并没有存储“一年级所有同学的平均成绩”。
这就导致，当用户询问“一年级期末平均成绩是多少”时，RAG 找不到相关内容，最后给出一个错误的答案。
但是，如果我们通过知识图谱建立了“一年级”和“5 个班级”之间的实体关系，RAG 就能根据根据这个关系找到“5 个班级的期末成绩”，再通过计算给到用户一个准确的回答。
最后，一个 RAG 系统的运行可能包含以下步骤：
1、向量数据库提供知识存储的基础设施
2、对内容进行分块、嵌入和索引，以方便检索
3、再通过知识图谱建立相关实体的关系，从而提高检索和生成的准确度
4、当用户查询时，通过混合检索、知识图谱等方式检索内容
5、然后把检索出来的内容进行重排序，选出最相关的内容
6、把选出的内容进行上下文融合，提供给大模型生成回答内容
7、最后，通过 F1 值对 RAG 系统的准确率和召回率进行综合评估
以上内容，你学废了吗？
小白/程序员如何系统学习大模型LLM？
作为在一线互联网企业深耕十余年的技术老兵，我经常收到小白和程序员朋友的提问：“零基础怎么入门大模型？”“自学没有方向怎么办？”“实战项目怎么找？”等问题。难以高效入门。
这里为了帮助大家少走弯路，我整理了一套全网最全最细的大模型零基础教程。涵盖入门思维导图、经典书籍手册、实战视频教程、项目源码等核心内容。免费分享给需要的朋友！
👇👇扫码免费领取全部内容👇👇
1、我们为什么要学大模型？
很多开发者会问：大模型值得花时间学吗？答案是肯定的——学大模型不是跟风追热点，而是抓住数字经济时代的核心机遇，其背后是明确的行业需求和实打实的个人优势：
第一，行业刚需驱动，并非突发热潮。大模型是AI规模化落地的核心引擎，互联网产品迭代、传统行业转型、新兴领域创新均离不开它，掌握大模型就是拿到高需求赛道入场券。
第二，人才缺口巨大，职业机会稀缺。2023年我国大模型人才缺口超百万，2025年预计达400万，具备相关能力的开发者岗位多、薪资高，是职场核心竞争力。
第三，技术赋能增效，提升个人价值。大模型可大幅提升开发效率，还能拓展职业边界，让开发者从“写代码”升级为“AI解决方案设计者”，对接更高价值业务。
对于开发者而言，现在入门大模型，不仅能搭上行业发展的快车，还能为自己的职业发展增添核心竞争力——无论是互联网大厂的AI相关岗位，还是传统行业的AI转型需求，都在争抢具备大模型技术能力的人才。
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！
2、大模型入门到实战全套学习大礼包分享
最后再跟大家说几句：只要你是真心想系统学习AI大模型技术，这份我耗时许久精心整理的学习资料，愿意无偿分享给每一位志同道合的朋友。
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。
部分资料展示
2.1、 AI大模型学习路线图，厘清要学哪些
对于刚接触AI大模型的小白来说，最头疼的问题莫过于“不知道从哪学起”，没有清晰的方向很容易陷入“东学一点、西补一块”的低效困境，甚至中途放弃。
为了解决这个痛点，我把完整的学习路径拆解成了L1到L4四个循序渐进的阶段，从最基础的入门认知，到核心理论夯实，再到实战项目演练，最后到进阶优化与落地，每一步都明确了学习目标、核心知识点和配套实操任务，带你一步步从“零基础”成长为“能落地”的大模型学习者。后续还会陆续拆解每个阶段的具体学习内容，大家可以先收藏起来，跟着路线逐步推进。
L1级别:大模型核心原理与Prompt
L1阶段：将全面介绍大语言模型的基本概念、发展历程、核心原理及行业应用。从A11.0到A12.0的变迁,深入解析大模型与通用人工智能的关系。同时,详解OpenAl模型、国产大模型等,并探讨大模型的未来趋势与挑战。此外,还涵盖Pvthon基础、提示工程等内容。
目标与收益:掌握大语言模型的核心知识,了解行业应用与趋势;熟练Python编程,提升提示工程技能,为AI应用开发打下坚实基础。
L2级别：RAG应用开发工程
L2阶段：将深入讲解AI大模型RAG应用开发工程,涵盖Naive RAGPipeline构建、AdvancedRAG前治技术解读、商业化分析与优化方案,以及项目评估与热门项目精讲。通过实战项目，提升RAG应用开发能力。
目标与收益:掌握RAG应用开发全流程,理解前沿技术,提升商业化分析与优化能力,通过实战项目加深理解与应用。
L3级别：Agent应用架构进阶实践
L3阶段：将 深入探索大模型Agent技术的进阶实践,从Langchain框架的核心组件到Agents的关键技术分析,再到funcation calling与Agent认知框架的深入探讨。同时,通过多个实战项目,如企业知识库、命理Agent机器人、多智能体协同代码生成应用等,以及可视化开发框架与IDE的介绍,全面展示大模型Agent技术的应用与构建。
目标与收益:掌握大模型Agent技术的核心原理与实践应用,能够独立完成Agent系统的设计与开发,提升多智能体协同与复杂任务处理的能力,为AI产品的创新与优化提供有力支持。
L4级别:模型微调与私有化大模型
L4级别：将聚焦大模型微调技术与私有化部署,涵盖开源模型评估、微调方法、PEFT主流技术、LORA及其扩展、模型量化技术、大模型应用引警以及多模态模型。通过chatGlM与Lama3的实战案例,深化理论与实践结合。
目标与收益:掌握大模型微调与私有化部署技能,提升模型优化与部署能力,为大模型项目落地打下坚实基础。
2.2、 全套AI大模型应用开发视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
2.3、 大模型学习书籍&文档
收录《从零做大模型》《动手做AI Agent》等经典著作，搭配阿里云、腾讯云官方技术白皮书，帮你夯实理论基础。
2.4、AI大模型最新行业报告
2025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。
2.5、大模型大厂面试真题
整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。
【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）】
2.6、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
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】
（支持资料、图片参考_相关定制）_文章底部可以扫码)
