跳到主要内容

RAG的具体作用

概述​

  • RAG：结合「检索」与「生成」的混合式架构，通过从外部文档库中检索相关信息，再由大模型生成最终答案，兼具可靠性与创造力。
  • 向量模型：将文本、图像等非结构化数据映射到高维向量空间，以便计算相似度。
  • 向量数据库：专门存储和检索这些高维向量，支持海量数据的高效近似最近邻搜索（ANN）。

整体流程示意：

用户提问
   ↓
┌────────────┐     ┌───────────────┐     ┌────────────────┐
│ 1. Embedding │ → │ 2. 向量检索    │ → │ 3. 内容拼接     │
│   文本向量化 │     │ (Vector DB)    │     │   + Prompt      │
└────────────┘     └───────────────┘     └────────────────┘
                                                   ↓
                                        ┌────────────────────────┐
                                        │ 4. 大模型生成回答      │
                                        └────────────────────────┘

RAG 原理​

RAG（Retrieval-Augmented Generation）是一种结合检索和生成的技术，用于增强大型语言模型（LLM）的回答能力。与传统只依赖模型训练数据不同，RAG允许模型在生成回答时动态检索外部知识库的信息，好比让 AI 进行“开卷考试”。具体来说，RAG 系统通常包括以下步骤：

  1. 数据摄取（Ingestion）：将权威信息（如公司文档、数据库等）加载到向量数据库或检索系统中；
  2. 检索（Retrieval）：当用户提出问题时，系统将问题转化为向量，并在知识库中搜索语义最相近的内容；
  3. 上下文融合（Augmentation）：将检索到的相关信息与用户问题合并，构造新的提示（prompt）给模型；
  4. 生成（Generation）：将增强后的提示输入LLM，由模型根据这些上下文生成回答。

付费内容提示

该文档的全部内容仅对「码力全开」项目实战&技术讲解 知识星球用户开放

加入星球，一次获得完整项目资料、全栈技术知识库和长期答疑服务。

100万+字全栈技术知识库深入讲解技术核心、数据库、中间件和分布式等内容
8套热门的实战项目持续更新的企业级项目覆盖高并发、微服务、数据中台 和 AI Agent 等方向
AI 技术知识大模型面试详解覆盖 AI 模型原理、Agent、RAG、MCP、Skills、Harness 等核心知识点
文档 + 视频两种讲解形式既能系统阅读，也能跟随视频理解核心业务

完整项目实战资料

每套项目均包含从 0 到 1 讲解文档核心业务讲解视频

从基础项目到复杂业务场景，项目资料会持续更新。

8 套项目
  • 01Nexus Agent AI 智能体
  • 02Nexus Agent Pro 完全版
  • 03黑马点评Plus
  • 04大麦
  • 05大麦Pro
  • 06大麦AI
  • 07流量切换
  • 08数据中台

加入后还能获得

进入星球后，即可享受上述所有服务，保证不会再有其他隐藏费用。

从学习、面试到项目启动，都可以继续获得支持。

  • 1 对 1 解答项目和技术问题都可以提问
  • 针对性补充没有讲清楚的内容会继续补充
  • 面试与简历指导梳理回答技巧和项目亮点
  • 中间件云环境项目依赖可以直接接入使用
  • 面试后复盘被问住的问题可以继续交流
  • 远程问题解决项目启动问题可协助排查
知识星球二维码

扫码进入知识星球

  1. 打开微信，扫描左侧二维码，加入「码力全开」项目实战&技术讲解 知识星球
  2. 查看星球使用指导，获取完整项目讲解资料索引
解锁全部付费内容
🎁优惠