问题: 什么是RAG检索增强生成及其核心运作流程

👇 点击展开/折叠 面试背诵模板（建议先背这个） RAG（Retrieval-Augmented Generation，检索增强生成）是一种将外部知识检索与大语言模型生成能力相结合的技术框架。其核心运作流程分为索引和查询两个阶段：索引阶段将外部知识库（文档、网页等）切分、向量化后存入向量数据库；查询阶段将用户问题向量化后在数据库中进行相似性检索，将检索到的相关上下文与原始问题拼接为增强提示，交由LLM生成最终答案。该框架有效解决了LLM的幻觉问题、知识时效性不足和缺乏私有领域知识等局限性。
---

一、RAG产生的背景与核心价值

为什么需要RAG？ 大语言模型存在三个固有限制：① 知识截止于训练数据时间点，无法回答最新问题；② 训练数据不含企业私有文档或专业领域知识；③ 容易产生事实性幻觉（hallucination）。RAG通过实时检索外部知识库注入相关上下文，让模型基于检索到的事实而非仅凭参数化记忆生成答案，从而提升准确性、可控性和可解释性。

二、核心运作流程（两阶段详解）

阶段一：离线索引（数据准备）

  1. 文档加载与解析：从多种数据源（PDF、Word、网页、数据库）读取原始文档。
  2. 文本分块（Chunking）：将长文档切分为语义完整的短文本块（通常256-512 tokens），便于精准检索。
  3. 向量化嵌入：使用嵌入模型（如OpenAI text-embedding-3-small、BGE等）将文本块转换为高维向量。
  4. 存储索引：将向量及对应的原始文本存入向量数据库（如Milvus、Pinecone、Chroma等），并构建索引加速相似度搜索。

阶段二：在线查询（检索与生成）

  1. 问题向量化：将用户输入的问题用与索引阶段相同的嵌入模型转换为向量。
  2. 相似性检索：在向量数据库中进行ANN（近似最近邻）搜索，返回与问题语义最相似的Top-k个文本块。
  3. 上下文注入：将检索到的文本块作为上下文，与用户问题一起组合成结构化提示词。
  4. LLM生成：将增强后的提示词输入大语言模型，生成基于检索事实的最终答案。

三、技术选型要点

组件 常见选择 考量因素
嵌入模型 OpenAI text-embedding-ada-002、BGE、M3E 语言支持、维度大小、推理成本
向量数据库 Milvus、Pinecone、Weaviate、Chroma 云原生/本地部署、规模、查询延迟
分块策略 固定长度、语义分割、段落边界 过长影响检索精度，过短丢失上下文
检索策略 稠密检索（向量）、稀疏检索（BM25）、混合检索 精度与召回率的权衡

四、RAG vs 微调（Fine-tuning）的对比

维度 RAG 微调
知识更新 实时（更新向量库即可） 需重新训练，周期长
可解释性 高（可溯源到具体文档片段） 低（知识隐含在模型参数中）
成本 中（需向量数据库 + LLM调用） 高（需标注数据 + GPU训练资源）
适用场景 动态知识库、开放域问答 固定风格、特定领域能力固化
组合使用 先检索增强，必要时对特定领域微调 微调后仍可搭配RAG实现动态更新

五、RAG的进阶变体（拓展）

  • Self-RAG：模型主动决定是否检索，以及检索后自我反思校准答案质量。
  • Graph-RAG：利用知识图谱构建实体关系，实现多跳推理和更复杂的上下文关联。
  • 多模态RAG：检索图像、视频、音频等多种模态数据，支持更丰富的问答场景。