【RAG 知识树】从原理到应用的结构化认知地图

已于 2025-05-19 10:50:20 修改
阅读量498 收藏 13
点赞数 22
分类专栏： AI大模型应用【名词解析】 文章标签： RAG LLM
于 2025-05-19 10:37:23 首次发布
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。
本文链接：https://blog.csdn.net/qq_62223405/article/details/148057473
版权

目录

🧠 一、RAG 的核心定义

🧩 二、RAG 的组成结构（模块视角）

1. 📄 文档预处理（Document Preprocessing）

2. 🔢 向量化（Embedding）

3. 🗃️ 检索器（Retriever）

4. 🤖 生成器（Generator）

5. 🧱 Prompt 构造器（Prompt Builder）

6. 🧠 记忆与多轮（可选扩展）

🌿 三、RAG 的流程图（知识流程路径）

📚 四、RAG 的典型应用场景（应用枝干）

🛠 五、常见工具栈（实现层支干）

🔧 向量数据库：

🧠 Embedding 模型：

🧩 框架工具：

🧭 六、RAG 的进阶方向（演化枝干）

✅ 1. Multi-Retriever（多源检索）

✅ 2. Re-ranking（重排序）

✅ 3. Query Rewriting（查询重写）

✅ 4. 多文档摘要（Multi-doc QA）

✅ 5. 自我反馈优化（RAG-Fusion / RAGAS）

🧮 七、RAG 与 Fine-tune 对比（知识融合）

🧠 八、RAG 知识图谱总结图（结构导图）

RAG（检索增强生成）是连接 大语言模型（LLM）能力 与 外部知识源 的桥梁，是现代智能问答、企业知识搜索、个性助手背后的核心技术。

🧠 一、RAG 的核心定义

RAG（Retrieval-Augmented Generation） 是一种结合了：

  • 信息检索（Retrieval）

  • 语言生成（Generation）

的混合架构，让语言模型可以在回答问题时访问外部知识库，从而弥补 LLM 的知识更新滞后、记忆能力有限的问题。

🧩 二、RAG 的组成结构（模块视角）

我们可以将一个 RAG 系统拆分为以下 六大核心模块，它们构成了 RAG 知识树的“主干”：

1. 📄 文档预处理（Document Preprocessing）

  • 文档切分（Chunking）：按段落/语义进行切片（如500 tokens）

  • 文本清洗（清除HTML、格式统一）

  • 可选：结构提取（表格/代码/标题识别）

2. 🔢 向量化（Embedding）

  • 使用 Embedding 模型（如 OpenAI, DashScope, BGE）将文本块转换为向量

  • 保留 metadata（来源、标题、时间等）

3. 🗃️ 检索器（Retriever）

  • 典型是向量数据库（如 FAISS, Weaviate, Milvus）

  • 基于相似度或 Hybrid 检索（向量 + 关键词 BM25）

  • 支持：Top-k、过滤条件、Re-ranking（reranker）

4. 🤖 生成器（Generator）

  • 基于大语言模型（GPT、ChatGLM、Claude 等）

  • 将检索结果 + 用户问题 构造成 prompt，生成最终回答

  • 常见模板：Question + Context → Answer

5. 🧱 Prompt 构造器（Prompt Builder）

  • 用于构建合适格式的输入 prompt

  • 支持格式化、插入参考来源、角色设定

  • 模板类型：

    • Stuff（直接拼接）

    • Map-Reduce

    • Refine

    • Custom Prompt

6. 🧠 记忆与多轮（可选扩展）

  • 多轮问答上下文管理（Chat History）

  • 意图识别、话题跟踪、查询改写

  • Memory: Buffer、Summary、VectorMemory

🌿 三、RAG 的流程图（知识流程路径）

📚 四、RAG 的典型应用场景（应用枝干）

应用场景说明
📖 企业知识库问答让员工基于内部资料问答，不用训练模型
🏥 医疗智能助手实时引用医学文献/指南生成专业回答
📰 新闻摘要/引用引入检索材料增强事实性，防止“幻觉”
💬 多轮对话机器人保留历史上下文 + 增强事实回答
🔍 法律文书分析精确引用法规、判例，生成合法意见
🧠 个人知识库助手基于 Notion、Roam、Obsidian 构建私人问答系统

🛠 五、常见工具栈（实现层支干）

🔧 向量数据库：

  • FAISS（轻量本地）

  • Chroma（社区活跃）

  • Weaviate、Milvus（企业级）

  • Qdrant（性能稳定）

🧠 Embedding 模型：

  • OpenAI text-embedding-3

  • 阿里百炼 text-embedding-v1

  • BAAI/BGE

  • Cohere、E5

🧩 框架工具：

  • LangChain（组件齐全、生态好）

  • LlamaIndex（文档驱动、强检索）

  • Haystack（搜索引擎取向）

  • RAGAS（评估工具）

  • DSPy（程序化优化RAG）

🧭 六、RAG 的进阶方向（演化枝干）

✅ 1. Multi-Retriever（多源检索）

同时连接：向量库 + 知识图谱 + 网页 + SQL

✅ 2. Re-ranking（重排序）

使用模型（如 BGE-reranker）对 Top-k 检索结果排序

✅ 3. Query Rewriting（查询重写）

对用户提问进行增强 → 提升召回效果

✅ 4. 多文档摘要（Multi-doc QA）

支持从多篇文档中聚合信息、生成统一答案

✅ 5. 自我反馈优化（RAG-Fusion / RAGAS）

评估生成结果 + 检索质量 → 自动调整策略

🧮 七、RAG 与 Fine-tune 对比（知识融合）

项目RAG（检索增强）Fine-tune（微调）
知识更新频率即时更新，改文档即可需重新训练模型
构建成本较低（无需改模型）高（需 GPU 训练、调参）
控制生成内容可控（明确引用来源）难控（训练数据融入后不可拆解）
幻觉率更低，引用文档降低幻觉概率相对较高（纯生成）
使用场景问答、摘要、助手、检索型系统语气调优、特定领域表达、写作风格适配等

🧠 八、RAG 知识图谱总结图（结构导图）

RAG 知识树
├── 原理：检索 + 生成
├── 核心模块
│   ├── 文档处理
│   ├── 向量化
│   ├── 检索器
│   ├── Prompt 构造
│   ├── 生成器（LLM）
│   └── 记忆模块（可选）
├── 实现工具栈
│   ├── LangChain
│   ├── LlamaIndex
│   └── 向量数据库（FAISS/Chroma/...）
├── 应用场景
│   ├── 知识问答助手
│   ├── 企业搜索
│   └── 医疗、法律、教育等
├── 高级功能
│   ├── Query Rewriting
│   ├── Re-ranking
│   └── 多模态 RAG（图像 + 文本）
└── 演化趋势
    ├── 自适应反馈优化
    └── 结合 LangGraph / DSPy 等流程优化

如何速成RAG+Agent框架大模型应用搭建
python1222_的博客
08-31 1686
二、大模型发展现状目前大模型发展笼统的可以分为两个部分，自然语言处理大模型（Qwen语言系列等）和多模态大模型，同时多模态大模型又分为多模态理解（Qwen-VL、Qwen-Audio等）和多模态生成（万相、EMO等）。自然语言处理在自然语言处理领域，短短的2个月内，大家已经看到了价格的急剧下降，这是得益诸如OpenAI的ChatGPT系列、Llama、通义、GLM等标志性大模型的发布和应用，也代表着这个技术在算法和模型层面上的进入了成熟的新阶段。
Agent × RAG 联动系统实战：从推理决策到知识增强的动态协同架构设计
努力分享一些人工智能相关的知识干货！
05-03 1004
随着智能 Agent 在问答、决策、调度等场景中的深度落地，其推理边界逐渐受限于模型本体知识的陈旧与封闭。而基于 Retrieval-Augmented Generation（RAG）结构的动态知识增强能力，恰好为 Agent 推理系统提供了关键“第二认知通道”。本文系统性解析 Agent × RAG 联动体系的工程实现路径，覆盖知识检索调度、语义路由控制、Agent-RAG交互接口设计、推理链中的知识嵌入机制以及动态记忆更新与行为决策协同闭环。通过多个生产级案例展开分析，本文提供一套完整可执行的 RAG
超干货：从知识图谱到RAG
a18153662746的博客
04-15 660
知识图谱是一种结构化的语义网络，以实体（Entity）-关系（Relation）-实体三元组（如<北京, 首都_of, 中国>）为基础，描述现实世界中的事物及其关联。核心组成要素•实体：现实世界中的对象（人物、地点、事件等）•关系：实体间的语义连接（“创始人”、“位于"等）•属性：实体的特征描述（如"成立时间=1998”）RAG（检索增强生成）是一种结合信息检索与文本生成检索阶段：从知识库中查找相关信息增强阶段：构建富含上下文的提示生成阶段：基于证据生成可靠回答生动比喻。
Tree-RAG工作流程及实体树应用介绍
2301_81888214的博客
04-11 1205
T-RAG方法基于将检索增强生成（Retrieval-Augmented Generation，简称RAG）架构与开源经过微调的大型语言模型（Large Language Model，简称LLM）以及实体树向量数据库相结合。
从 RAG 到 Self-RAG —— LLM 的知识增强
python12345_的博客
07-13 1023
事实上这种 LLM 主动使用工具并进行判断的方式并非 Self-RAG 首创，在此之前的 AutoGPT, Toolformer 和 Graph-Toolformer 中早已有之，而且支持多种 API 调用。针对 graph reasoning 任务设计少量 API Call 样本基于 ChatGPT 对 prompt 进行 augmentation使用现有 pre-train LLM 进行模型 fine-tuning。
GraphRAG与RAG的区别和原理简介
打造全国最全的AI Agent开发知识领域的博客
04-19 915
GraphRAG是微软于2024年推出的融合知识图谱与大语言模型的框架，通过将符号化知识图谱与生成式模型结合，突破传统RAG框架的局部文本匹配局限。其核心优势在于通过全局图谱推理提升复杂问题的解答精度，实测在RobustQA基准测试中达到86%准确率，远超传统RAG框架的76%。本文通过对比LightRAG、KAG等竞品，结合美团大脑、虾皮电商等案例，解析其技术原理与落地价值。
高级检索增强生成（RAG）技术综述：一图读懂RAG原理与应用！
m0_65555479的博客
04-23 650
检索增强生成（Retrieval Augmented Generation，简称RAG）是为大型语言模型（LLM）提供从数据源检索到的信息，使其生成的答案基于这些信息。基本上，RAG就是搜索 + LLM提示，即要求模型根据搜索算法找到的信息作为上下文来回答所提供的查询。查询内容和检索到的上下文都会被嵌入发送给LLM的提示信息中。2023年，RAG是基于LLM的系统中最受欢迎的架构。有许多产品几乎完全基于RAG构建——从将网络搜索引擎与LLM相结合的问答服务，到数百个能与自有数据对话的应用程序。
RAG技术详解：构建高效、可信赖的知识检索系统
weixin_45312236的博客
05-29 4740
幻觉：在没有答案的情况下提供虚假信息。过时：当用户需要特定的当前响应时，提供过时或通用的信息。来源：从非权威来源创建响应。由于术语混淆，不同的培训来源使用相同的术语来谈论不同的事情，因此会产生不准确的响应。RAG 是解决其中一些挑战的一种方法。它会重定向 LLM，从权威的、预先确定的知识来源中检索相关信息。组织可以更好地控制生成的文本输出，并且用户可以深入了解 LLM 如何生成响应。
当大模型“学会查资料”：RAG技术原理解析与前沿展望
-曾牛的博客
04-23 572
RAG技术不仅大幅提升了生成系统的可靠性，更重要的是构建了人机协作的新范式——当AI的每次输出都像学术论文般标明“参考文献”，人与机器的信任桥梁将真正建立。随着知识图谱、因果推理等技术的深度融合，RAG正在从增强生成的技术工具，进化为连接人类知识宇宙的“星际引擎”。
从局部到全局：一种面向查询聚焦摘要的图RAG方法
AI浩
07-10 1318
使用大型语言模型（LLM）来“提取”源文本中表示的实体、关系和声明的描述，这本身已经是一种抽象摘要的形式，它依赖于LLM来创建可能由文本本身暗示但未明确表述的概念的独立且有意义的摘要（例如，隐含关系的存在）。为了将所有这样的实例级摘要转换为每个图元素（即实体节点、关系边和声明协变量）的描述性文本块，需要对匹配的实例组进行另一轮LLM摘要。此阶段的一个潜在问题是，LLM可能无法在同一文本格式中一致地提取对同一实体的引用，从而导致实体元素重复，进而在实体图中出现重复节点。
MoK-RAG：通过功能分区的大型语言模型知识库实现多路径知识检索增强的检索生成框架，用于具身AI环境
03-23
应用于3D模拟环境生成时，我们提出的MoK-RAG3D通过将3D资产划分为不同部分并基于分层知识树结构进行组织，进一步增强了这一范式。与仅使用人工评估的先前方法不同，我们率先引入了3D场景的自动化评估方法。我们的...
模块化RAG：RAG新范式，像乐高一样搭建 万字长文
mama19971023的博客
08-06 1707
在现代计算系统中，模块化正成为一种趋势。能够增强系统的可扩展性和可维护性，并通过流程控制实现高效的任务执行。模块化 RAG 架构分为三个层级：• 顶层聚焦于 RAG 的关键阶段，其中每个阶段都视作一个独立的模块。该层级不仅继承了高级 RAG 范式的主要流程，还引入了一个编排模块来调控 RAG 流程的协同。• 中间层由每个模块内的子模块组成，进一步细化和优化功能。• 底层由基本操作单元——操作符构成。在模块化 RAG 框架内，RAG 系统能够以计算图的形式呈现，其中节点代表特定的操作符。
一文读懂「RAG，Retrieval-Augmented Generation」检索增强生成
热门推荐
女王の专属领地
01-20 1万+
检索增强生成（RetrievalAugmentedGeneration），简称RAG，已经成为当前最火热的LLM应用方案。它是一个为大模型提供外部知识源的概念，这使它们能够生成准确且符合上下文的答案，同时能够减少模型幻觉。知识的局限性：模型自身的知识完全源于它的训练数据，而现有的主流大模型（ChatGPT、文心一言、通义千问…）的训练集基本都是构建于网络公开的数据，对于一些实时性的、非公开的或离线的数据是无法获取到的，这部分知识也就无从具备。幻觉问题。
python语言mido16音轨简谱播放器QZQ-2025-5-4.zip
05-19
python语言mido16音轨简谱播放器QZQ-2025-5-4.zip
SSM框架下的酒店管理系统——JavaWeb课程设计实习项目
05-19
JavaWeb课程设计实习项目—基于SSM的酒店管理系统。本项目是面向计算机相关专业学生及Java学习者的酒店管理系统，适用于毕设、实战练习或期末大作业。包含项目源码、数据库脚本、软件工具及说明文档，确保可以运行。 后台管理功能包括： - 会员信息管理：显示并删除会员 - 客房信息管理：添加和删除客房类型与客房，编辑客房信息（评论管理未实现） - 预定信息管理：查看和删除用户预订 - 入住信息管理：添加入住记录，结账及删除已结账的入住信息 用户端功能包括： - 登录注册、客房预订、客房评论（编写与查看）。内容来源于网络分享，如有侵权请联系我删除。
anaconda基础教程-Anaconda 使用教程.zip
05-19
为什么要使用 Anaconda？ Anaconda 附带了一大批常用数据科学包，它附带 Python 和 conda，还有 150 多个科学包及其依赖项，因此可以快速的进行科学开发。 拥有 conda 包管理工具，和 pip 配合可以很方便的管理 Python 包。 可以创建虚拟环境。 什么是虚拟环境？ 举个例子，假设我是一名人工智能课和 Python 课的老师，人工智能课需要 Python3.7 环境，而 Python 课需要 Python3.6 环境，一台电脑很难让两种环境共存，并且会出现依赖紊乱的问题，那么怎么办呢？这就需要用到虚拟环境了。为两种课程创建两个不同的虚拟环境，并且这两个环境互相独立不受干扰，就可以完美的解决不同环境下的工作需求了。 Anaconda 安装 奶牛网盘已到期无法使用，请自行到官网下载对应自己操作系统的版本。 从官网下载二进制文件贼慢，我已经下载好放到奶牛网盘了(交过钱了，不限速)，点击下载 Anaconda PS：请下载对应自己操作系统的二进制文件。
高校人员管理系统 2025免费毕设附带论文 SpringBoot+Vue.js
最新发布
05-19
2025免费毕设附带论文 SpringBoot+Vue.js 启动教程: https://www.bilibili.com/video/BV11ktveuE2d/?share_source=copy_web 二开教程：https://www.bilibili.com/video/BV18i421i7Dx/?share_source=copy_web 讲解视频：https://www.bilibili.com/video/BV1Tb421n72S/?share_source=copy_web
LLM大模型（通义千问）部署：基于魔搭平台
05-19
LLM大模型（通义千问）部署：基于魔搭平台
射频电路设计中LNA、PA、Mixer的CMOS实现与仿真教程 射频电路设计 射频电路设计实战教程：CMOS低噪声放大器、功率放大器与混频器设计实例，仿真教程及工程文件全套 （包含输出结果截图，附送6
05-19
内容概要：本文详细介绍了射频电路设计中三个重要组件——低噪声放大器(LNA)、功率放大器(PA)和混频器(Mixer)的设计实例及其仿真教程。针对每个组件，从参数设定、电路设计到仿真验证进行了全面讲解，并提供了详细的输出结果截图。此外，还附带了完整的工程文件和库包，便于读者实际操作和学习。主要内容涵盖CMOS工艺下各组件的具体设计方法、性能参数的选择依据及优化技巧，旨在帮助读者掌握高效的射频系统设计技能。 适合人群：从事射频电路设计的研究人员和技术爱好者，尤其是希望深入了解LNA、PA、Mixer设计细节的专业人士。 使用场景及目标：适用于高校教学、企业培训和个人自学等多种场合。通过本教程的学习，读者能够独立完成基本的射频电路设计任务，提高解决实际问题的能力。 其他说明：随书赠送618优惠券和VMware软件，进一步提升用户体验。
评论
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