RAG（检索增强生成）是一种将预训练生成模型与外部知识库相结合的框架，由检索器和生成器两大组件构成。其优势包括可解释性、知识可更新性和减少"幻觉"。实现RAG需考虑数据分块大小、检索策略等关键技术点，可使用LangChain等工具构建向量数据库并实现检索生成流程。本文通过详细解释RAG原理并提供极简示例，帮助读者理解并实践这一技术。
1、 RAG 起源
RAG 全称为 retrieval-augmented generation，这一框架最早由论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》[1]于2020年提出。
该论文的核心观点是：将参数化记忆（一个预训练的序列到序列生成模型）与非参数化记忆（一个密集检索的外部知识库，如维基百科）相结合，可以显著提升模型在知识密集型自然语言处理任务上的表现。
RAG 由两大组件构成：
- 检索器：基于一个预训练的神经检索模型（论文中使用Dense Passage Retriever），它负责根据输入的问题或上下文，从一个大型文档索引（如维基百科）中检索出最相关的文本片段。
- 生成器：基于一个预训练的序列到序列模型（论文中使用BART-large），它负责融合检索到的文本片段和原始输入，生成最终的答案或文本。
RAG 的优势有三点：
- 可解释性与可验证性：生成结果可以追溯到检索到的具体文档，提供了“溯源”，使决策过程更透明。
- 知识可更新：通过更新外部知识库（非参数化记忆），即可轻松让模型获取最新知识，无需重新训练整个大模型。
- 减少“幻觉”：生成过程受到检索到的真实文本的约束，能生成更具体、更多样、更符合事实的内容。
2、 简单 RAG 架构
基于嵌入检索的简单 RAG 架构为：
整体来看 RAG 架构有两个流水线：
- 离线的数据获取流水线，也就是虚线部分；
- 在线的检索生成流水线，也就是实线部分。
从流程上来说很容易理解，但是具体到各个环节都是挑战。
2.1. 分块大小
数据如何分块？以多大的尺度分块？这些都不是有明确答案的问题。
采用较小的分块能在模型有限的上下文窗口中容纳更多文本片段，为模型提供更广泛的信息来源，有助于生成更全面的回答。
但过小的分块可能导致关键信息割裂或丢失。若某个主题的完整信息被分割在多个分块中，仅包含部分信息的分块可能因相关性不足而无法被有效检索，导致关键信息未能得到充分利用。
此外，过小的分块还会显著增加计算和存储成本。分块数量越多，需要生成、存储和检索的嵌入向量就越多，这可能导致向量搜索空间膨胀，进而影响查询速度。
2.2. 检索策略
向量搜索算法
向量搜索通常被表述为最近邻搜索问题，最朴素的算法是k近邻（k‑NN），但计算量大且速度慢，仅适用于小型数据集。对于大型数据集，向量搜索通常使用近似最近邻（ANN）。
这个领域也是学术研究的热门，主流的算法有：
- LSH（局部敏感哈希）：一种通用算法，适用于包括向量在内的多种数据。它将相似向量哈希至同一“桶”中，以加速相似性搜索，效率高但略微损失精度。faiss[2] 与 Annoy[3] 均支持该算法。
- HNSW（分层可导航小世界）：通过构建多层图来表示向量，节点为向量，边连接相似向量。检索时沿图结构进行最近邻搜索，速度快且支持高效增量索引。faiss 和 Milvus[4] 等平台均提供其实现。
- 乘积量化：将每个高维向量分解为若干子向量并进行压缩编码，在低维表示下计算距离，从而大幅提升检索效率。该方法是 FAISS 的核心组件，也被多数主流向量检索库采用。
- IVF（倒排文件索引）：使用 K-means 聚类将相似向量组织到不同簇中，通常每簇包含 100 至 10,000 个向量。查询时先定位与目标最接近的簇中心，再在该簇内进行精确检索。IVF 常与乘积量化结合，构成 faiss 的主要检索框架。
- Annoy（近似最近邻搜索库）：基于多棵随机二叉划分树实现。每棵树通过随机超平面将向量空间划分为两个子空间，检索时遍历多棵树并汇集候选结果。
重排
除了算法创新之外，在检索性能上还有很多工程优化。
重排是一种能有效提升检索准确性的方法：先通过成本较低但精度有限的检索器获取候选文档列表，再利用精度更高但成本也更高的模型或机制对候选列表进行重排序，筛选出最优候选。
上下文检索
Contextual Retrieval[5] 是由 Anthropic 提出的一种改进检索环节的方法，其核心理念是通过为每个分块补充相关上下文信息，提升该分块的可检索性。
简而言之，这是一种预处理技术，但其效果显著——根据官方说法：“该方法可将检索失败率降低 49%，若结合重排序机制则能提升至 67%”。
3、 极简示例
虽然 RAG 流程很简单，但是工程实践很复杂，万事开头难，在本文最后一部分笔者将使用 LangChain[6] 实现一个最简单的示例。
3.1. 构建向量数据库
LangChain 为文本数据抽象了一个类型Document，支持 PDF、CSV、Web 等各种类型数据的导入。
笔者以一本名为「Think.Distributed.Systems.2025.8.pdf」的PDF格式电子书为示例，通过PyPDFLoader加载后可直接得到一个list[Document]对象。
接下来就是分块了，LangChain 也提供了很多封装好的实现，这里笔者选择了RecursiveCharacterTextSplitter，该分块器能够尽可能地将段落（其次是句子，最后是单词）保持在一起，因为这些单位通常在语义层面具有最紧密的关联性。
splitter=RecursiveCharacterTextSplitter(chunk_size=1000,chunk_overlap=200,length_function=len,)chunks=splitter.split_documents(documents)设置分块大小为1000个字符，块间重叠200个字符，块间的重叠有助于在上下文被分割于不同块时减少信息丢失。
（需说明的是，本文中所有参数数值的设置并非经过严谨调优，主要基于官方文档的示例配置）
生成嵌入向量
笔者选择了 Hugging Face 上知名的 SentenceTransformer[7] 框架和 all-MiniLM-L6-v2 模型生成嵌入向量。
model=SentenceTransformer("./model/all-MiniLM-L6-v2")texts=[chunk.page_contentforchunkinchunks]embeddings=model.encode(texts,show_progress_bar=True)存储嵌入向量
向量的存储选择知名的 faiss。
metadatas=[{"text":chunk.page_content}forchunkinchunks]dim=embeddings.shape[1]index=faiss.IndexFlatL2(dim)index.add(np.array(embeddings).astype("float32"))faiss.write_index(index, faiss_path)pickle.dump(metadatas, f)此处的metadatas存储的是分块的原始文本内容，这是因为向量索引(index)中仅存储嵌入向量，当通过向量搜索获取到相似向量后，需通过下标定位到对应的原始文本。
3.2. 检索生成
查询相似向量
首先将 query 生成嵌入向量，然后进行向量检索。
query_emb=model.encode([query_text]).astype("float32")D, I=index.search(query_emb, top_k)results=[]foridx, distinzip(I[0], D[0]): meta=self.metadata[idx]ifidx<len(self.metadata)elseNone results.append({"index":idx,"distance":dist,"metadata":meta})向量搜索库 faiss 将会返回 top_k 相似的向量的下标 idx 和距离 dist。
拼装提示词调用大模型
query="What is the challenge of reaching agreement?"combined_context="\n\n".join([res["metadata"]["text"]forresinresultsifres["metadata"]])prompt=f"Using the following context:\n{combined_context}\n\nAnswer the question: {query}"llm=ChatDeepSeek(api_key="sk-xx",model_name="deepseek-chat")response=llm.invoke(prompt)笔者使用了最爱的 DeepSeek，收到了令人满意的答案。
Based on the provided context, the challenge of reaching agreement in distributed consensus lies in the realistic system model, as opposed to a theoretical one. Specifically:
- •In a theoretical model, where components do not fail and the network is perfectly reliable (delivers messages exactly once and in order), consensus is trivial to achieve.
- •The challenge arises in a realistic model, where:
- •Components may fail.
- •The network may reorder, delay, lose, or duplicate messages.
This combination of potential process failures and an unreliable network makes designing a consensus algorithm notoriously difficult. Simple solutions, like appointing a single leader (BDFL), are insufficient because if that leader fails, the system halts, and network problems can still prevent decisions from being consistently communicated.
Answer:The challenge of reaching agreement is achieving it in a realistic system where processes can fail and the network is unreliable (can lose, duplicate, delay, or reorder messages), as opposed to a perfect theoretical system where consensus is easy.
如何学习大模型 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。
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】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、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。
4、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。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
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。
