掌握RAG检索增强生成：大模型应用必备技能，从理论到实战全攻略

本文详细介绍了RAG（检索增强生成）技术的概念、核心流程和优化方法。RAG结合信息检索系统与生成式大语言模型优势，通过外部知识库增强回答准确性。文章阐述了知识准备阶段（数据预处理、内容分块、向量化、入库）和问答阶段（查询预处理、数据检索、信息整合、LLM生成）的全流程，并分析了RAG在提高知识新鲜度、减少幻觉、保障信息安全和应用垂直领域知识等方面的优势。

1、RAG是什么？

RAG（Retrieval-Augmented Generation，检索增强生成）, 一种AI框架，将传统的信息检索系统(例如数据库)的优势与生成式大语言模型(LLM)的功能结合在一起。不再依赖LLM训练时的固有知识，而是在回答问题前，先从外部资料库中“翻书”找资料，基于这些资料生成更准确的答案。

RAG技术核心缓解大模型落地应用的几个关键问题：

• 知识新鲜度：大模型突破模型训练数据的时间限制

• 幻觉问题：降低生成答案的虚构概率，提供参照来源

• 信息安全：通过外挂知识库而不是内部训练数据，减少隐私泄露

• 垂直领域知识：无需训练直接整合垂直领域知识

2、RAG核心流程

2.1 知识准备阶段

2.1.1 数据预处理

a. 文档解析

输入：原始文档（如Markdown/PDF/HTML）

操作：

• 提取纯文本（如解析Markdown标题、段落）

• 处理特殊格式（如代码块、表格、图片、视频等）

例如：

[标题] 什么是 ROMA？
[段落] ROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。
[段落] ROMA 框架的中文名为罗码。
[标题] 今天天气
[列表项] 今天的室外温度为35°C，天气晴朗。

文档的解析过程需要考虑不同文档内容例如文本、图片、表格等场景，以及文档的语言，布局情况，可以考虑使用一些优秀的三方工具或者一些视觉模型，布局分析模型，语义理解模型来辅助解析。

b. 数据清洗与标准化处理

提升文本质量和一致性，使向量表示更准确，从而增强检索相关性和LLM回答质量；同时消除噪声和不规则格式，确保系统能正确理解和处理文档内容。包括:

• 去除特殊字符、标签、乱码、重复内容。

• 文本标准化，例如 时间、单位标准化（如“今天” → “2025-07-17”）。

• 其他处理

数据的清洗和标准化过程可以使用一些工具或NLTK、spaCy等NLP工具进行处理。

例如:

<p>ROMA框架</p>
处理：
"ROMA框架"
今天的室外温度为35°C，天气晴朗。
处理：
"2025-07-17 的室外温度为35°C，天气晴朗"

c. 元数据提取

关于数据的数据，用于描述和提供有关数据的附加信息。

• 文档来源：文档的出处，例如URL、文件名、数据库记录等。

• 创建时间：文档的创建或更新时间。

• 作者信息：文档的作者或编辑者。

• 文档类型：文档的类型，如新闻文章、学术论文、博客等。

元数据在RAG中也非常重要，不仅提供了额外的上下文信息，还能提升检索质量：

1. 检索增强

• 精准过滤：按时间、作者、主题等缩小搜索范围
• 相关性提升：结合向量相似度和元数据特征提高检索准确性

ii. 上下文丰富

• 来源标注：提供文档来源、作者、发布日期等信息

• 文档关系：展示文档间的层级或引用关系

iii. 常见的元数据提取方式:

• 正则/HTML/… 等解析工具，提取标题、作者、日期等

• 自然语言处理: 使用NLP技术（如命名实体识别、关键词提取）从文档内容中提取元数据，如人名、地名、组织名、关键词等

• 机器学习模型: 训练机器学习模型来自动提取元数据

• 通过调用外部API（如Google Scholar API、Wikipedia API）获取文档的元数据

例如：

complete_metadata_chunk1 = {
'file_path': '/mydocs/roma_intro.md',
'file_name': 'roma_intro.md',
'chunk_id': 0,
'section_title': '# 什么是 ROMA？',
'subsection_title': '',
'section_type': 'section',
'chunking_strategy': 3,
'content_type': 'product_description',
'main_entity': 'ROMA',
'language': 'zh-CN',
'creation_date': '2025-07-02',  # 从文件系统获取
'word_count': 42  # 计算得出,
'topics': ['ROMA', '前端框架', '跨平台开发'],
'entities': {
'products': ['ROMA', 'Jue语言'], # 实体识别
'platforms': ['iOS', 'Android', 'Web']
},
}

2.1.2 内容分块(Chunking)

在RAG架构中，分块既是核心，也是挑战，它直接影响检索精度、生成质量，需要在检索精度、语境完整性和计算性能之间取得平衡。

内容分块将长文档切分成小块，可以解决向量模型的token长度限制，使RAG更精确定位相关信息，提升检索精度和计算效率。

• AutoBots(JoyAgent)功能分块：

实际RAG框架中按照文档的特性选择合适的分块策略进行分块。

• 常见的分块策略：

a. 按大小分块

按固定字符数进行分块，实现简单但可能切断语义单元。

优点：实现简单且计算开销小，块大小均匀便于管理。

缺点：可能切断语义单元，如句子或段落被分到不同块中。

例如：

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony
第二段：、Web三端运行的跨平台解决方案。ROMA框架的中文名为罗码。

句子被截断，“一份代码，可在iOS、Android、Harmony” 和 “、Web三端运行的跨平台解决方案” 被分到不同块，影响理解。

b. 按段落分块

以段落为基本单位进行分块，保持段落完整性，但段落长度可能差异很大。

优点：尊重文档自然结构，保留完整语义单元。

缺点：段落长度差异大，可能导致块大小不均衡。

例如：

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony、Web三端运行的跨平台解决方案。ROMA框架的中文名为罗码。
第二段：# 核心特性1. 跨平台：一套代码运行于多端2. 高性能：接近原生的性能表现3. 可扩展：丰富的插件系统

第一段包含标题和多行内容，而其他段落相对较短，可能导致检索不均衡。

c. 按语义分块

基于文本语义相似度进行动态分块，保持语义连贯性，但计算开销大。

说明：基于文本语义相似度动态调整分块边界。

优点：保持语义连贯性，能识别内容主题边界。

例如：

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。
第二段：ROMA框架的中文名为罗码。
## 核心特性1. 跨平台：一套代码运行于多端

使用依赖模型质量，相同文本在不同运行中可能产生不同分块结果。

d. 分块策略总结

e. 优化方式

• 混合分块策略

结合多种分块方法的优点，如先按段落分块，再根据块大小调整，做到既保持语义完整性，又能控制块大小均匀

• 优化重叠区域

根据内容特性动态调整块之间的重叠区域大小，关键信息出现在多个块中，提高检索召回率

f. 常用的分块工具

• Lang Chain框架：提供多种分块策略，包括RecursiveCharacterTextSplitter、MarkdownTextSplitter等

• NLTK：用于基于自然语言句子的分块

• spaCy：提供语言学感知的文本分割

2.1.3 向量化

将高维文本数据压缩到低维空间，便于处理和存储。将文本转换为计算机可以理解的数值，使得计算机能够理解和处理语义信息，从而在海量数据文本中实现快速、高效的相似度计算和检索。

简单理解：通过一组数字来代表文本内容的“本质”。

例如，“ROMA是一个跨平台解决方案…”这句话可能被转换为一个384维的向量：

[块1] 什么是ROMA？
ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)...
[
{
"chunk_id": "doc1_chunk1",
"text": "# 什么是 ROMA？\nROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web端运行的跨平台解决方案。",
"vector": [0.041, -0.018, 0.063, ..., 0.027],
"metadata": {
"source": "roma_introduction.md",
"position": 0,
"title": "ROMA框架介绍"
}
},
// 更多文档块...
]

• 常用的Embedding模型：

2.1.4 向量数据库入库

将生成的向量数据和元数据进行存储，同时创建索引结构来支持快速相似性搜索。

• 常用的向量数据库包括：

2.2 问答阶段

2.2.1 查询预处理

• 意图识别：使用分类模型区分问题类型（事实查询、建议、闲聊等）。

• 问题预处理：问题内容清洗和标准化，过程与前面数据预处理类似。

• 查询增强：使用知识库或LLM生成同义词（如“动态化” → “Roma”），上下文补全可以结合历史会话总结（例如用户之前问过“Roma是什么”）。

2.2.2 数据检索(召回)

a. 向量化

使用与入库前数据向量化相同的模型，将处理后的问题内容向量化。

例如：

问题: "ROMA是什么?"
处理后
{
"vector": [0.052, -0.021, 0.075, ..., 0.033],
"top_k": 3,
"score_threshold": 0.8,
"filter": {"doc_type": "技术文档"}
}

b. 检索

• 相似度检索：查询向量与所存储的向量最相似(通过余弦相似度匹配)的前 top_k 个文档块。

• 关键词检索：倒排索引的传统方法,检索包含“Roma”、“优势”等精确关键词的文档。

• 混合检索：合并上面多种检索结果，效果最优。

例如：检索“ROMA是什么?”

c. 重排序(Reranking)

初步检索在精度和语义理解上的不足，通过更精细的上下文分析提升结果相关性。它能更好处理同义词替换、一词多义等语义细微差异，使最终结果准确。

• 原理：使用模型对每个检索结果计算相关性分数。

• 归一化：重排序模型原始输出分数没有固定的范围，它可能是任意实数，将结果归一化处理，将分数映射到 [0, 1] 范围内，使其更容易与向量相似度分数进行比较。

例如：

• 常用的重排序模型：

2.2.3 信息整合

格式化检索的结果，构建提示词模板，同时将搜索的内容截断或摘要长文本以适应LLM上下文窗口token。

提示词优化：

1. 限定回答范围

2. 要求标注来源

3. 设置拒绝回答规则

4. …

例如：

prompt 模板：
你是一名ROMA框架专家，请基于以下上下文回答：
参考信息:
[文档1] 什么是 ROMA？
ROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。
ROMA 框架的中文名为罗码。
[文档2] Roma介绍？
[Roma介绍](docs/guide/guide/introduction.md)
文档地址: https://roma-design.jd.com/docs/guide/guide/introduction.html
要求：
1. 分步骤说明，含代码示例
2. 标注来源文档版本
3. 如果参考信息中没有相关内容，请直接说明无法回答，不要编造信息
请基于以下参考信息回答用户的问题。如果参考信息中没有相关内容，请直接说明无法回答，不要编造信息。
用户问题: ROMA是什么？
回答: {answer}

2.2.4 LLM生成

向LLM（如GPT-4、Claude）发送提示，获取生成结果。

• AutoBots(JoyAgent)示例：

以上，实现了最简单的RAG流程。实际的RAG过程会比上述麻烦更多，包括图片、表格等多模态内容的处理，更复杂的文本解析和预处理过程，文档格式的兼容，结构化与非结构化数据的兼容等等。

最后，展示一下RAG各阶段的优化方式：

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
• ✅ 2025 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？