武汉市网站建设_网站建设公司_页面加载速度_seo优化

一、为什么需要 RAG？

单纯的大模型（如 GPT）有几个天然问题：

• 知识有截止时间（训练后发生的新信息不知道）

• 不能直接访问你的私有数据（文档、数据库、公司内部资料）

• 容易“胡编”（hallucination）

RAG 的目的就是：
用“可控、可更新、可追溯”的外部知识，约束并增强大模型的回答。

二、RAG 的基本工作流程（非常重要）

经典 RAG = 4 个步骤

1️⃣ 文档准备（Indexing）

• 把资料切成 chunk（例如 500～1000 tokens）

• 用 Embedding 模型转成向量

• 存入 向量数据库

常见向量库：

• FAISS

• Milvus

• Pinecone

• Weaviate

• OpenSearch / Elasticsearch（向量模式）

2️⃣ 用户提问

“加拿大魁省的 Welcome Tax 是怎么计算的？”

3️⃣ 检索（Retrieval）

把用户问题也转成向量

在向量库里找 语义最相近的文档片段

通常取 Top-k（如 3～10 段）

⚠️ 不是关键词搜索，是语义搜索

4️⃣ 生成（Generation）

把检索结果 + 用户问题，一起喂给 LLM：

【已知资料】

• 文档1：……
• 文档2：……

【问题】
……

【请基于以上资料回答】

➡️ 模型只能“照着资料说”，而不是凭空发挥。

三、RAG ≠ 微调（Fine-tuning）

这是一个非常常见的误区：

现实项目中：90% 用 RAG，10% 才需要微调

四、RAG 特别适合什么场景？

结合你的背景，其实你已经“非常适合 RAG”

✅ 典型应用

• 企业 / 项目文档问答

• 技术文档（AWS / Angular / Java / Keycloak）

五、一个非常直观的比喻

LLM = 会写作文的学生
RAG = 给他一本开卷考试的资料

不开卷 → 靠记忆 → 容易瞎写
开卷 → 查资料 → 有据可依

六、工程视角：一个最小 RAG 架构

[用户问题]↓[Embedding]↓[VectorDB]——>Top-k 文档 ↓[Prompt 拼接]↓[LLM生成答案]

七、RAG 的进阶玩法（你后面一定会用到）

• Hybrid Search：向量 + 关键词（BM25）

• Re-ranking：再用模型重新排序

• Metadata Filter：按国家 / 时间 / 来源过滤

• Multi-step RAG：先拆问题再检索

• Agent + RAG：自动决定查什么