RAG实现大致流程

最新推荐文章于 2025-10-05 08:00:00 发布
原创 最新推荐文章于 2025-10-05 08:00:00 发布 · 524 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #知识图谱

在这里插入图片描述
如上图所示，假如我们要参加临时考试，那我们有三种途径获取答案，1、直接查询数据 2、利用检索系统查询 3、LLM知识检索增强生成。第一种方法直接查询数据，这也是最笨拙的方法，第二种方法则是利用检索系统查询，我们需要构建很多 query-answer对，来方便我们快速检索答案，第三种则是RAG，结合大模型来快速生成答案。

图中RAG流程实现过程：

1.将外部知识库的资料，读取进行切片划分，然后再Embeding，转换成向量的形式进行存储，也就是存储在图中的vectordb中，当我们再输出query的时候，会将query也转换成vector，然后再进行相似度等方法计算，最后再进行Augmented，然后输入到LLM中，然后输出最终的大模型Generation的答案。

下图就是langchain存储外部知识库的一系列流程：

在这里插入图片描述
参考链接：链接

sauTCc
关注
RAG的完整流程是什么？如何解决检索噪声对生成的影响？
qq_36929638的博客
04-13 427
通过组合上述技术，可将噪声导致的错误生成减少50-80%。实际案例显示，在医疗问答系统中应用后，准确率从62%提升至89%。
7.Spring Ai Alibaba实现RAG
u013218342的博客
09-22 1467
Spring AI实现RAG技术摘要 RAG(检索增强生成)是一种结合检索系统和生成模型的技术框架，通过外部知识库增强大语言模型的回答准确性和时效性。Spring AI实现RAG主要包括以下流程： 核心组件：使用嵌入模型将文本转换为向量，存储在向量数据库中进行相似性检索 工作流程：用户提问→问题向量化→向量数据库检索→构建上下文提示词→大模型生成回答 应用场景：企业知识问答、金融法律咨询、电商客服、医疗健康等领域 Spring实现：通过配置ChatClient和VectorStore等Bean，完成文档向量
一文搞懂RAG，原理，流程，最佳实践
2401_85324918的博客
07-24 2421
最近遇到好多人和我交流RAG相关的技术，同事在说，面试在说，甚至我多年未联系的挚爱亲朋都突然来问我RAG是个啥？要怎么搞？我印象中22年23年，讨论大模型应用，都在讲三个方向。但是随着越来越多的应用被开发出来，RAG相对另外两者稍显走弱。我们组今年甚至几乎没有RAG相关的规划，都还在之前搭的老一套上用。所以，一文搞懂RAG。为了减少的大小，可以先拼接，再总结，再发给大模型进行处理。不过这种用法很少见，一般是把这个小模型直接做在模型层面，和大模型一起做成一个混合模型，并且会做大量的意图识别的训练。
RAG工作流程总览
井底小蛙的博客
07-30 640
问答检索阶段，首先将问题通过向量化模型，进行向量化转换，再在向量数据库中，通过不同检索等手段，匹配知识库中相关内容，再将匹配结果通过大模型润色后作为答案输出；该阶段根据原始文件，经过预处理，向量化等操作，最终将向量化模型，与知识库内容的向量化结果存储在向量知识库中备用；混合检索解决语义鸿沟问题（如搜索“苹果公司”不返回水果信息）解决术语变体问题（如“COVID-19”→新冠病毒）动态融合双路结果（例：向量权重70%+关键词30%）：用户提问（例：“新冠疫苗有哪些类型？
RAG 全流程核心技术深度解析：1-工作原理+切片+召回+排序
最新发布
10-05 1304
本文深入解析了检索增强生成（RAG）技术的核心原理与应用。RAG通过将信息检索与大语言模型生成能力结合，有效解决大模型的"幻觉"问题、知识时效性不足和领域专业壁垒等关键问题。文章详细介绍了RAG的工作流程，包括准备阶段的分片（Chunking）和索引（Indexing）技术，以及回答阶段的召回、重排和生成过程。特别针对分片技术，对比分析了固定长度切分、递归字符切分、语义切分、结构切分和LLM智能切分五种方法的优缺点及适用场景。最后，文章还探讨了向量化（Embedding）的核心算法和主流
RAG 基本流程及处理技巧 with LangChain
Y525698136的博客
06-26 1048
LLM 主要存在两个问题：幻想和缺乏领域知识。领域知识缺乏的原因是因为训练 LLM 本身的知识更新慢，对特定领域的知识也没有太细致的输入。
一文彻底搞懂大模型 - RAG（检索、增强、生成）
2301_78285120的博客
09-01 4186
如何理解RAG？通过上一个问题，我们知道了什么是RAG？了解到RAG是一种结合了信息检索、文本增强和文本生成的自然语言处理（NLP）的技术。RAG的目的是通过从外部知识库检索相关信息来辅助大语言模型生成更准确、更丰富的文本内容。那我们如何理解RAG的检索、增强和生成呢？检索：检索是RAG流程的第一步，从预先建立的知识库中检索与问题相关的信息。这一步的目的是为后续的生成过程提供有用的上下文信息和知识支撑。
小学生也能听得懂的大模型 - Transformer 1
2401_85325557的博客
07-29 1563
参考 [小学生也能听得懂的大模型 Transformer 1]
RAG实操教程: langchain+Milvus向量数据库创建你的本地知识库
2401_85782938的博客
06-19 9068
本文主要是 Milvus 向量数据实战总结。LLM 痛点以及解决方案RAG 是什么，为什么选用RAG。langchain文档加载器，chat model文档拆分的注意点，chat model区别。chat 示例代码。
使用RAG技术构建企业级文档问答系统之基础流程
python122_的博客
08-14 1874
本文是本系列（使用RAG技术构建企业级文档问答系统）的第二篇，将介绍检索增强生成（Retrieval Augmented Generation，简称RAG）最基础流程。所谓检索增强生成，是大语言模型兴起之后发展迅速的一个应用领域，简单说就是，这项技术，可以根据用户输入的问题，从文档（如PDF、Word、PPT、TXT、网页等）中自动检索跟问题相关的文本片段（或称为知识片段、上下文），然后将一段指令、用户输入的问题、文本片段拼装成一个Prompt（也就是大语言模型的输入），让大语言模型生成一个回答。
大模型——多种RAG组合优化（langchain实现）
04-24 804
列表中的每个元素代表一条消息，消息通常由 BaseMessagePromptTemplate 类的实例组成，比如 SystemMessagePromptTemplate、HumanMessagePromptTemplate 等，分别对应系统消息、人类消息等不同角色的消息模板。例如，如果您希望与ChatGPT在与体育相关的话题范围内进行对话，可以将”system"角色分配给聊天助手，并设置内容为"体育专家”。CoT的优势在复杂的推理任务中更为明显，同时使用大型模型（例如，参数超过50B）。
Coze智能体开发：基于RAG实现智能问答
王国平的博客
07-02 980
扣子是一款用来开发新一代 AI Chat智能体的应用编辑平台，无论你是否有编程基础，都可以通过这个平台来快速创建各种类型的 Chat Bot，并将其发布到各类社交平台和通讯软件上。
RAG理论到实践：高级、模块化RAG在AI工程架构中的行业通用解决方案与实施策略(Advanced RAG✨)
丨汀、的博客
09-04 882
RAG理论到实践：高级、模块化RAG在AI工程架构中的行业通用解决方案与实施策略(Advanced RAG✨)
一文读懂：大模型RAG（检索增强生成）
star_nwe的博客
07-24 1508
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、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！
一文读懂RAGFlow：从 0 到 1教你搭建RAG知识库
python12345_的博客
02-26 7314
RAGFlow是一种融合了数据检索与生成式模型的新型系统架构，其核心思想在于将大规模检索系统与先进的生成式模型（如Transformer、GPT系列）相结合，从而在回答查询时既能利用海量数据的知识库，又能生成符合上下文语义的自然语言回复。该系统主要包含两个关键模块：数据检索模块和生成模块。数据检索模块负责在海量数据中快速定位相关信息，而生成模块则基于检索结果生成高质量的回答或文本内容。
大模型入门到进阶：什么是 RAG？为什么需要 RAG？RAG 的流程
热门推荐
star_nwe的博客
08-14 3万+
学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、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！
为什么需要 RAG？RAG 的流程！一文了解什么是 RAG？
m0_65555479的博客
03-10 2796
RAG 全称 Retrieval-Augmented Generation，翻译成中文是检索增强生成。检索指的是检索外部知识库，增强生成指的是将检索到的知识送给大语言模型以此来优化大模型的生成结果，使得大模型在生成更精确、更贴合上下文答案的同时，也能有效减少产生误导性信息的可能。本文从大模型的局限性切入，探讨了检索增强生成架构的核心机制及其带来的好处。RAG 通过结合检索和生成能力，能从外部知识库搜索相关信息，生成更准确的回应，有效克服了大模型在知识更新上的短板。
RAG技术全解析：打造下一代智能问答系统
alysblmd
05-13 1万+
检索增强生成（RAG）技术通过结合大型语言模型（LLM）和外部知识库来克服传统语言模型在特定领域任务上的局限。RAG通过索引、检索和生成的三步流程，增强了语言模型的能力，提高了生成内容的准确性和相关性。本文详细介绍了RAG的工作原理、实现过程和评估方法，并展望了其在多模态领域的应用前景。RAG不仅优化了问答系统的性能，还通过多样的技术整合和灵活的检索过程，推动了智能问答系统的发展。
掌握RAG看这一篇就够了！五步流程+十二大优化策略全解析
qingkahui24689的博客
07-11 835
摘要： RAG（检索增强生成）技术通过结合检索与生成模型，解决大语言模型（LLM）的幻觉、知识更新滞后等问题。其流程分为五步：知识文档准备（多模态转换、分块处理）、嵌入模型（如Word2Vec、BERT）、向量数据库存储、查询检索（语义匹配）、生成回答。优化策略包括数据清洗（去噪、实体解析）、分块处理（固定大小、递归分块等）、嵌入模型选择等，以提升系统性能。RAG广泛应用于企业知识问答等场景，平衡效率与准确性。
RAG如何实现?
03-18
### RAG（检索增强生成）的实现方式 RAG 是一种结合信息检索和文本生成的技术，其核心在于通过检索模块获取外部知识并将其与生成模型结合起来，从而提高生成结果的质量和准确性。以下是具体的实现方法： #### 架构组成 RAG 的架构主要由两个部分构成：**检索模块** 和 **生成模块**。 1. **检索模块** - 检索模块负责从大规模的知识库中提取与用户查询最相关的上下文信息。这一过程通常依赖于两种技术路径：基于关键词的传统检索技术和基于语义相似性的向量检索技术[^4]。 - 使用 Elasticsearch 或其他搜索引擎工具可以高效完成结构化数据的匹配；而像 FAISS 或 HNSW 等向量数据库则用于处理高维嵌入空间中的近似最近邻搜索问题[^3]。 2. **生成模块** - 一旦获得相关文档片段后，这些内容会被送入到强大的语言生成模型当中作为额外条件输入的一部分。此阶段采用的是 Transformer 类型的大规模预训练模型来执行最终的任务——无论是摘要撰写还是对话回应等多样化场景需求均可满足[^2]。 #### 工作流程详解 整个工作流大致分为以下几个环节： - 用户提交一个问题或者一段描述性质的需求给系统接口； - 接收到请求之后先启动检索引擎，在预先建立好的庞大资料集合里寻找若干篇高度关联的文章节选出来形成候选集[^1]； - 将上述所得材料连同原初询问一起传递至下游神经网络单元内部进行联合编码操作，以便更好地理解两者之间的联系特征并向目标方向调整参数设置状态； - 经过充分训练后的解码器依据前面所学规律逐步预测下一个可能出现的最佳词汇直至整句话结束为止，期间不断循环迭代直到达到预期长度限制或是遇到特殊终止标志位才停止动作。 ```python def rag_pipeline(query, knowledge_base): # Step 1: Retrieve relevant documents from the knowledge base. retrieved_docs = retrieve_documents(query, knowledge_base) # Step 2: Combine query and retrieved information into a single input sequence. enhanced_input = create_enhanced_input(query, retrieved_docs) # Step 3: Pass through the generative model to produce output. generated_output = generate_response(enhanced_input) return generated_output # Example function definitions (simplified for illustration purposes). def retrieve_documents(query, kb): ... def create_enhanced_input(query, docs): ... def generate_response(input_seq): ... ``` --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值