RAG（检索增强生成）是一种革新的AI技术，它结合了信息检索与文本生成，赋予AI实时获取和处理最新信息的能力。通过从外部知识库中检索相关信息，RAG技术解决了传统LLM的知识滞后和幻觉问题，使得AI的回答更准确、更可靠。文章详细介绍了RAG的核心流程，包括检索、生成以及文档索引，并阐述了Embedding模型在其中的关键作用。

🔍 RAG的核心在于结合检索与生成，通过检索外部知识库来增强LLM的信息获取能力，从而应对知识更新滞后问题。

🤔 传统LLM的知识局限性在于其离线训练的特性，无法获取训练后产生的新信息，而RAG技术通过检索，让AI具备了“实时百科大脑”。

💡 RAG技术通过检索相关信息，为LLM提供上下文，减少了“编造答案”的幻觉现象，使得回答更具依据。

📚 文档索引是RAG流程的基础，它将文档划分为文本块，并转换为向量存储在向量数据库中，以便高效检索。向量化用户问题，通过计算相似度检索相关知识分片，最终构建Prompt生成结果。

🔗 Embedding模型是关键，它将文本转化为向量，通过计算向量间的距离来检索语义相似的文本，为RAG提供了高效的信息检索能力。

RAG 是什么

RAG（Retrieval Augmented Generation，检索增强生成）是一种结合信息检索和文本生成的技术方案

RAG 技术就像给 AI 装上了「实时百科大脑」，通过先查资料后回答的机制，让 AI 摆脱传统模型的”知识遗忘”困境

主要核心流程分为：

检索（Retrieval）：基于用户的输入，从外部知识库（数据库、文档、网页）中检索与查询相关的文本片段，通常使用向量化表示和向量数据库进行语义匹配。生成（Generation）： 将用户查询与检索到的内容作为上下文输入给 LLM（如 GPT、DeepSeek 等），由模型输出最终回答。

RAG 解决了什么问题

1、知识更新滞后

LLM 是离线训练的，一旦训练完成后，它们无法获取新的信息，因此，它们无法回答训练数据时间点之后发生的事件，比如“今天的最新新闻”

2、幻觉现象

大语言模型（LLM） 的回答是根据已有的 训练数据 和概率预测得出来的，当面对没有在训练中见过的问题时，模型可能会“编造”看似合理但实际上不准确或虚构的内容

RAG 是如何解决这些问题的？

RAG 将信息检索与语言生成相结合，在回答问题时，首先从外部知识库（如网页、数据库、文档等）中检索相关信息，再基于这些信息生成回答。这样一来：

即使模型本身不包含最新知识，也能通过检索获取最新内容回答更加有依据，减少“编答案”的幻觉现象

RAG 流程

文档索引

在 RAG 中，文档索引 是整个流程的基础环节之一，将文档（word，excel，PDF，Markdown 等）根据一定的规则容划分为文本块（chunk），然后通过 Embedding 模型将文本块转换为向量并存入向量数据库中

文档索引的目的是为了实现高效、准确的信息检索，为后续的大语言模型生成提供可靠的上下文支持。

步骤

向量化用户问题：将 用户问题 用相同的 Embedding 模型转换为向量，用以检索相关知识分片检索（Retrieval）：通过向量数据库一系列高效的数学计算 （如余弦相似度、欧氏距离等），检索出语义相似度最高的几个知识分片（Top_k）构建 Prompt：将 Prompt + 检索结果+ 用户问题 构建成完整的 Prompt生成（Generation）：大语言模型再根据这个 Prompt 生成结果

Embedding 模型是什么？

Embedding 是一种将文字序列（如词、句子或文档）转换为向量表示（固定维度的向量）的技术

模型目标：使得具有相似语义的文字序列对应的向量尽可能接近（即相似度高），而语义不同的文字序列对应的向量尽可能远离（即相似度低）

作用：通过数学计算向量之间的距离，快速检索出相似度最高的文字序列