RAG高级技术与实践

快速理解：

• RAG 技术树：就是 RAG 技术的 “全家桶”，把从找知识到生成回答的各种技术都梳理清楚，方便大家理解和应用。
• RAFT 方法：在 RAG 的基础上给大模型 “补课”，先找知识再针对性训练，让模型在特定领域回答更准。
• DeepSeek + Faiss 搭建本地知识库检索：DeepSeek 是个能生成好回答的大模型，Faiss 是个快速找相似内容的工具，两者结合就是在本地建个知识库，快速找到相关知识再让 DeepSeek 生成回答。
• RAG 高效召回方法：就是让 RAG 更快更准地找到有用知识的办法，比如结合关键词和语义搜索，或者分步骤搜索。
• GraphRAG：把知识像地图一样连起来，找知识的时候能顺着关联找，让回答更有逻辑。
• Qwen-Agent：基于通义千问的智能助手，能自己找知识、调用工具，还能多轮聊天，解决复杂问题。

详解：

RAG 技术树

RAG（Retrieval-Augmented Generation，检索增强生成）技术树是对 RAG 相关技术的体系化梳理，涵盖从检索模块（如向量数据库选择、检索算法优化）、生成模块（大模型选择、prompt 工程）到 ** pipeline 优化 **（多轮交互、上下文管理）等多个层级的技术点，是理解 RAG 技术演进和技术选型的框架。

RAFT 方法

RAFT（Retrieval-Augmented Fine-Tuning，检索增强微调）是在 RAG 基础上融合微调的技术方法。它先通过检索获取相关知识，再基于这些知识对大模型进行微调，从而让模型在特定领域的生成效果更精准，兼具 RAG 的知识更新灵活性和微调后模型的生成专业性。

CASE：DeepSeek + Faiss 搭建本地知识库检索

• DeepSeek：是一款性能出色的大模型，具备较强的生成和理解能力，作为 RAG 中的生成端，负责基于检索到的知识生成回答。
• Faiss：是 Facebook 开发的高效向量相似度搜索工具，用于构建向量数据库。在这个案例中，它承担本地知识库的检索功能—— 将知识库中的文档转换为向量后存入 Faiss，当有查询请求时，快速检索出与查询向量最相似的文档片段，为 DeepSeek 提供生成依据，实现本地知识库的高效检索增强生成。

RAG 高效召回方法

RAG 的召回环节决定了检索知识的相关性，高效召回方法包括：

• 多模态检索：支持文本、图像等多类型数据的检索，拓宽知识来源；
• 混合检索：结合关键词检索和向量检索的优势，既保证检索的精确性（关键词），又保证语义相关性（向量）；
• 检索策略优化：如分层检索（先粗筛再精筛）、基于强化学习的检索策略调整等，提升召回的效率和质量。

GraphRAG

GraphRAG 是将图结构（如知识图谱）与 RAG 结合的技术。它把知识以图的节点和边的形式组织，在检索时不仅能检索到单条知识，还能基于图的关联关系检索到知识之间的关联信息，让生成的内容更具逻辑性和关联性，适用于需要知识间强关联推理的场景（如医疗诊断、金融分析）。

Qwen-Agent

Qwen-Agent 是基于通义千问（Qwen）大模型构建的智能代理。它在 RAG 的基础上，具备自主决策、工具调用、多轮交互的能力，能根据用户需求自主检索知识、调用外部工具（如计算器、搜索引擎），并整合信息生成最终回答，实现更复杂场景下的智能交互。