惊艳！Qwen3-Embedding-4B打造的智能客服问答效果展示
2026/1/19 1:16:40
文章指出RAG技术实现简单但优化困难，特别是在处理文档表格数据时。针对表格数据，作者建议将其作为结构化数据处理：一方面可以将表格数据提取为markdown格式进行语义召回，另一方面可以保存到关系数据库中使用SQL查询。通过结合SQL查询和语义召回两种策略，可以有效提升表格数据的检索效果。RAG知识库建设的核心在于选择适合的召回方式，而非局限于特定数据格式。
“RAG是做出来容易，做好却很难。”
最近这段时间一直有人问我RAG效果不好的问题，然后又没有具体的优化思路，甚至有人想尝试微调模型；但了解之后才发现，在技术上还有很多能优化的点，微调模型实在不是一个好的选择。
然后前两天在社群中又有人遇到在智能问答场景中，文档中的表格数据召回效果不满意，不知道该怎么处理；而这也让我意识到作者之前遇到的问题，现在还有很多人在重现，且不知道该怎么解决。
而建立这个社群的目的，也是为了方便大家交流，并且可以一起讨论，分享一下关于大模型应用中所遇到的问题，并且会不定时的分享一些技术，想法和问题，想加群的朋友可以在文章末尾找到加群方式。
文档中的表格处理
在当前的基于RAG的智能问答场景中，目前大部分人遇到的问题不是不知道该怎么做，而是做出来之后效果都差强人意，原因是很多人都没明白，RAG做出来简单，想做好却不简单。
在传统的技术开发中，一就是一，二就是二，流程对了结果基本上就对了；但在大模型应用中，做出来只是第一步，流程对了并不代表结果对了，所以说RAG的难点不在于开发，而在于优化。
但RAG的优化涉及到很多方面，并不是三言两语就能讲的明白的，而且针对不同的场景，不同的文档类型和内容，还需要进行适当的处理才行，根本没有一个通用的方法来解决所有问题。
而今天我们就以文档中的表格数据为例，提供一个具体的解决思路，即如果文档中存在大量的表格数据，怎么才能使得检索效果达到最好？当然，很多问题在文章中没办法说清楚，在这方面有问题的读者，可以加入社群，大家一起讨论。
首先，在RAG场景中没有真实实操过的人，可能认为RAG就是把文档内容读取之后，按照固定长度切分入库即可；但作者要说的是，针对不同的文档类型和内容，以及业务需求需要进行适当的处理才行。
以基于知识库的智能问答为例，如果文档中存在大量的表格数据，然后在处理过程中只是进行简单的拆分入库，那么在实际检索中可能很难召回准确的数据，就像社群中的朋友遇到的一样。
所以，针对这种情况最好的方式是，把文档中的表格数据给拆分出来，把其当做结构化数据进行处理。
一是因为表格中的数据如果当做普通文本去处理，由于数据比较分散，语义关联度低，会导致语义召回效果特别差；二是表格数据本身就是结构化数据，使用智能体进行SQL或字符匹配的方式进行精确查询，要远比语义检索效果好得多。
再有，如果真的需要语义查询，表格数据原本的格式会导致数据很分散；这时，我们只需要把表格中的数据，使用pandas或其它库读取之后，按照行和列转换成结构更加紧密的markdown格式的内容，这时再进行语义召回，效果也会好得多。格式如下：
# 表名 - 字段1 备注 - 字段2 备注 - 字段3 备注 ... ...而且，前面所说的只是在知识库端的优化方式；在把表格数据提取之后，可以同时保存一份结构化数据到关系数据库中，再保存一份markdown数据到向量库中；这时，我们就可以同时使用SQL查询和语义召回的方式，进行多种召回策略的组合，以此达到更好的召回效果。并且，只需要在最后，对召回的数据做一个简单的去重即可。
从RAG的本质上来说，知识库建设的核心要义，就是能够用更适合，更快更准确的方式召回所需要的数据，而对数据的具体格式和存储方式并没有特定的要求，我们只需要在合适的场景选择合适的方式即可。
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。