本文详细介绍了检索增强生成RAG技术旨在解决大模型知识过时和幻觉输出的问题。通过结合外部知识库与大模型生成能力RAG使模型能够基于真实、最新的信息输出答案。教程从RAG的基本流程出发逐步讲解多轮对话优化和各环节改进策略帮助读者掌握RAG应用的构建与优化方法包括建立索引、检索生成、保存与加载索引等关键步骤以及多轮对话中解决历史信息丢失问题的方法。此外还提供了从文档准备到答案生成的全链路优化策略如文档解析与切片、向量化存储、检索召回和生成答案等环节的优化建议并通过企业HR问答系统实战案例进行说明。一、RAG 基本流程从索引到生成的完整链路RAG 的核心逻辑是 “先检索、后生成”整体流程分为建立索引和检索生成两大阶段辅以 “保存与加载索引” 提升效率具体步骤如下一建立索引为知识库 “打造检索地图”建立索引是 RAG 的基础目的是将非结构化的文档转化为可快速检索的向量数据包含 4 个关键步骤文档解析将知识库中的原始文档如 PDF、Word、TXT 等加载并解析为纯文字形式。例如将一份包含表格和图片的产品手册提取其中的文字内容表格内容需转化为结构化文本图片需通过 OCR 提取文字确保大模型能理解文档核心信息例如使用PyPDF2库解析 PDF 文件示例代码如下。import PyPDF2def parse_pdf(pdf_path): text with open(pdf_path, rb) as file: reader PyPDF2.PdfReader(file) for page in reader.pages: text page.extract_text() return text文本分段对解析后的长文本进行 “切片” 处理。若直接用整文档检索会导致匹配效率低、无关信息干扰多若切片过细又会丢失上下文。常见的切片逻辑包括按固定字数分割如每 500 字一段、按章节 / 段落分割或结合语义连贯性分割避免切断完整逻辑以下是按固定字数分割的 Python 代码示例def split_text(text, chunk_size500): chunks [] start 0 while start len(text): end min(start chunk_size, len(text)) chunks.append(text[start:end]) start end return chunks文本向量化借助嵌入Embedding模型将每个文本片段和用户问题转化为高维向量如 768 维、1536 维。向量的相似度越高代表文本语义越接近。例如用Open AI的 Embedding 模型将 “如何申请年假” 和 “年假申请流程” 转化为向量后两者的余弦相似度会显著高于与 “薪资计算” 的相似度如下代码所示将文字转为向量将会打印一串整形数字向量import openaiopenai.api_key YOUR_API_KEYdef get_embedding(text): response openai.Embedding.create( inputtext, modeltext - embedding - ada - 002 ) return response[data][0][embedding]get_embedding(如何申请年假)存储索引将向量化后的文本片段存储到向量数据库中形成可高效检索的 “向量索引”。向量数据库能快速计算用户问题向量与库中所有片段向量的相似度实现毫秒级召回相关内容。二检索生成基于真实信息输出答案当用户提出问题时RAG 通过 “检索相关片段→结合片段生成答案” 的流程确保输出的准确性具体步骤如下检索阶段先用 Embedding 模型将用户问题转化为向量向量数据库计算该向量与库中所有文本片段向量的相似度召回最相关的 Top N 个片段如 Top 5、Top 10例如用户问 “公司年假有多少天”检索系统会从向量数据库中召回包含 “年假天数”“年假政策” 的文本片段。生成阶段将 “用户问题 召回的相关片段” 通过提示词模板组合输入大模型生成最终答案。此时大模型的核心作用是 “总结整合”而非依赖自身训练数据从根源减少幻觉。典型提示词模板如下请严格根据以下参考信息回答用户问题不添加参考信息外的内容{召回文本段1}{召回文本段2}...用户的问题是{question}要求回答简洁、逻辑清晰直接回应问题核心。三保存与加载索引提升复用效率首次建立索引后可将索引文件如向量数据库快照、Embedding 结果保存到本地或云端。后续使用时直接加载索引无需重新解析、分段、向量化能将 RAG 响应速度提升 5-10 倍尤其适合知识库更新频率低的场景如固定政策文档、历史案例库。二、RAG 多轮对话解决历史信息丢失问题在多轮对话中如 “我能申请年假吗”→“申请需要什么材料”若仅用用户当前问题检索会丢失前序对话信息导致检索结果偏差。例如用户第二次问 “申请需要什么材料” 时系统可能无法判断是 “年假申请” 还是 “报销申请”。多轮对话的核心解决方案问题改写通过大模型将 “当前问题 历史对话” 整合改写为包含完整意图的新查询New Query再用新查询执行检索。具体流程如下收集历史对话记录如前 3 轮对话内容用提示词引导大模型改写问题角色你是问题改写专家需结合历史对话将用户当前问题改写为独立、完整的查询。历史对话用户我能申请年假吗系统可以需满足入职满1年的条件。用户当前问题申请需要什么材料改写要求新查询需包含“年假申请”的核心意图无需冗余信息。改写结果大模型输出新查询“年假申请需要准备什么材料”用新查询执行检索与生成确保结果准确关联 “年假” 场景。三、RAG 各环节优化策略从基础到进阶RAG 的效果依赖每个环节的细节优化以下从 “文档准备→解析切片→向量化存储→检索召回→答案生成” 全链路提供可落地的改进方案。一文档准备阶段对齐 “意图空间” 与 “知识空间”RAG 的本质是 “用知识库的知识满足用户意图”需先明确两个核心空间的关系再针对性优化空间类型定义优化策略意图空间用户提问背后的真实需求如 “查年假政策”“问报销流程”1. 建立用户意图收集机制如对话日志分析、用户反馈调研2. 邀请领域专家标注高频意图如 HR 场景的 “薪资”“考勤”“福利”。知识空间知识库中可提供答案的知识点如段落、章节1. 补充 “未覆盖的意图空间”若用户常问 “远程办公政策” 但知识库无相关内容需新增文档2. 清理 “未利用的知识空间”删除与用户意图无关的内容如过期的旧政策。关键原则优先通过 “补充知识库内容” 优化效果再考虑算法改进。若知识库本身缺少用户需要的信息任何检索算法都无法提升准确性。二文档解析与切片阶段平衡 “信息完整” 与 “噪声减少”解析和切片直接影响检索片段的质量常见问题及解决方案如下1. 文档解析问题与改进问题类型改进策略场景示例格式不支持如 Keynote、CAD1. 开发专属解析器2. 批量转换为支持格式如 PDF、Markdown某企业用 Keynote 存储产品方案可先将 Keynote 导出为 PDF再用 PDF 解析器提取文字。特殊内容无法提取表格、图片1. 表格转化为 Markdown 表格格式2. 图片用 OCR 提取文字 标注图片主题文档中 “员工薪资等级表”转化为 Markdown 表格后检索时能精准匹配 “薪资等级” 相关问题。2. 文本切片优化选择合适的切片方法不同切片方法适用于不同场景需根据文档类型和模型能力选择切片方法原理适用场景选择建议Token 切片按固定 Token 数分割如每 256 Token 一段模型上下文长度有限如≤1024 Token避免模型输入超限适合轻量级模型句子切片按句子边界分割保持句子完整大多数通用场景如政策文档、新闻新手入门首选平衡效率与上下文完整性句子窗口切片每个切片包含前后 N 个句子作为上下文长文档如论文、报告需关联上下文检索 “某结论的推导过程” 时补充前后文片段语义切片按语义相关性分割如 “章节内子主题”逻辑性强的文档如技术手册、教程避免切断 “问题 - 解决方案”“原因 - 结果” 等逻辑链Markdown 切片按 Markdown 语法分割如 #标题、## 子标题Markdown 格式文档如 GitHub 文档、笔记精准匹配 “某标题下的内容”提升检索精度优化案例某技术手册用 “语义切片” 后用户问 “如何调试 API 接口”检索系统能召回 “API 调试步骤”“常见错误解决” 两个关联片段而非零散的句子。三切片向量化与存储阶段选择工具提升检索效率向量化和存储的核心是 “选对模型 选对数据库”直接影响检索速度和准确性。1. Embedding 模型选择核心原则优先选择与大模型同生态、更新时间近的模型。例如使用阿里云百炼大模型时搭配百炼 Embedding 模型语义匹配度更高效果差异新模型如 Qwen-Embedding-V2比旧模型如 BERT-Base的向量区分度提升 30% 以上能减少 “相似问题误判”如 “年假申请” 与 “病假申请”。2. 向量数据库选择根据应用规模选择合适的存储方案兼顾成本与性能存储类型特点适用场景推荐方案阿里云内存向量存储速度快、无运维成本但重启后数据丢失开发测试、临时验证百炼内置内存向量存储本地向量数据库数据持久化、需自行运维小规模应用日活≤100Milvus 本地版、Chroma云服务向量存储自动扩容、监控完善、按量付费生产环境高并发、大规模数据向量检索服务DashVector、PolarDB 向量功能云服务优势支持 “向量检索 标量过滤” 混合查询如 “检索‘年假’相关片段且发布时间≥2024 年”进一步提升检索精度。四检索召回阶段精准定位相关片段检索召回的核心问题是 “如何从海量片段中找到最相关的内容”可从 “检索前” 和 “检索后” 两个时机优化1. 检索前优化查询还原真实意图通过改写、扩写问题让查询更精准常见策略如下策略操作方法示例问题改写补充模糊信息明确意图“附近有好吃的吗”→“推荐我公司附近评分≥4.5 的餐厅”问题扩写增加相关维度扩大检索范围“张伟是哪个部门的”→“张伟的部门、联系方式、职责是什么”基于用户画像扩写结合用户身份补充上下文内容工程师问 “工作注意事项”→“内容工程师的工作注意事项”提取标签过滤从问题中提取标签缩小检索范围“内容工程师注意事项”→标签{岗位内容工程师}检索时先过滤标签2. 检索后过滤噪声提升片段质量召回片段后通过 “重排序”“补充上下文” 进一步优化重排序ReRank用文本排序模型如阿里云百炼 ReRank 模型对召回的 Top 20 片段重新打分筛选出 Top 3-5 个最相关片段减少无关信息干扰滑动窗口检索召回某片段后补充其前后 N 个片段作为上下文。例如检索到 “年假申请需提交申请表”补充前后的 “申请表下载路径”“提交截止时间”确保信息完整。五生成答案阶段避免幻觉提升输出质量即使检索到相关片段仍可能出现 “模型捏造答案”“输出不符合要求” 等问题可从 3 个维度优化选择合适的大模型通用场景如政策问答选择平衡速度与准确性的模型如 Qwen2.5-7B专业场景如法律、医疗选择专业领域微调模型如百炼法律大模型减少专业术语错误。优化提示词模板明确 “限制条件” 和 “输出格式”例如请根据以下参考信息回答用户问题严格遵守规则参考信息{召回片段1}{召回片段2}用户问题{question}规则1. 若参考信息中无答案直接回复“暂无相关信息”不编造内容2. 答案分点列出每点不超过20字3. 必须引用参考信息中的具体表述如“根据第3条XXX”。调整模型参数温度Temperature设为 0.1-0.3降低随机性避免幻觉最大生成长度根据片段长度设置如片段共 500 字最大生成长度设为 300 字避免输出过长或过短。四、RAG 应用实战以 “企业 HR 问答系统” 为例结合上述流程与优化策略构建一个 “企业 HR 问答系统”具体步骤如下文档准备收集企业 HR 文档员工手册、年假政策、薪资计算规则等补充 “远程办公政策”“新员工入职流程” 等高频意图相关内容文档解析与切片将文档转为 Markdown 格式用 “Markdown 切片” 按 “# 章节→## 子标题” 分割每个切片包含 1 个完整子主题如 “年假申请条件”“年假天数计算”向量化与存储用百炼 Embedding 模型向量化切片存储到阿里云 DashVector生产环境检索优化检索前用户问 “我能休年假吗”结合用户画像入职时间 2 年改写为 “入职 2 年的员工能否申请年假”检索后召回 Top 10 片段用 ReRank 模型筛选 Top 3补充前后 1 个句子作为上下文生成答案用百炼大模型搭配优化后的提示词模板输出分点答案并引用手册条款。五、总结RAG 的核心价值是 “让大模型基于真实信息回答”其效果优化需贯穿 “文档准备→检索→生成” 全链路。新手入门时可先按 “句子切片 内存向量存储 基础提示词” 搭建最小原型再逐步通过 “问题改写、重排序、知识库补充” 提升效果。在生产环境中优先选择云服务向量数据库和专业 Embedding 模型兼顾性能与运维效率。如何学习大模型 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。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取