RAG 技术详解：结合检索与生成的智能问答新范式
一、什么是 RAG？
RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了 信息检索（Retrieval） 与 自然语言生成（Generation） 的问答架构，旨在提升大语言模型的事实性、可追溯性与最新性。
传统的大语言模型（如 GPT 系列）虽然拥有强大的生成能力，但存在两个明显的限制：
- 知识封闭性：训练完成后的知识无法动态更新。
- 幻觉问题（Hallucination）：模型会生成看似合理却不真实的内容。
RAG 的提出正是为了解决这些问题。
二、RAG 的流程详解
RAG 的整体流程如下：
1. 用户提问（User → Query）
用户提出一个查询（Query），系统开始处理请求。
2. 查询向量化并检索（Vectorize & Search）
查询被转换为向量表示，并在 向量数据库（Vector Database） 中进行相似度检索，以寻找与问题相关的文档内容。
3. 文档索引与预处理（Indexing）
系统预先将各种文档（如网页、PDF、Word 等）进行以下处理：
- 文档加载：将外部文档输入系统；
- 文档切分（Chunking）：将大文档切分为更小的文本块（如段落、句子）；
- 向量化存储：使用嵌入模型将每个文本块转为向量，并存入向量数据库中（如 FAISS、Milvus、Qdrant）。
4. 相关上下文检索（Retrieve Relevant Contexts）
系统根据查询从向量数据库中检索出最相关的文档片段，作为补充上下文信息（Relevant Contexts）。
5. 增强输入并生成（Augment + Generate）
将用户的原始问题与检索到的文档拼接为提示词（Prompt），一同输入到大语言模型（LLM）中生成最终回答。
Prompt:
根据以下内容回答问题：
[相关内容1]
[相关内容2]
[相关内容3]
用户的问题是：GPT-4 和 GPT-3.5 有什么区别？
6. 返回响应（Response）
大语言模型（如 GPT、LLaMA、ChatGLM 等）在增强上下文的基础上生成回答，并将其返回给用户。
三、RAG 系统结构图
下面是 RAG 系统的结构图示意：
四、RAG 的核心模块组成
| 模块名称 | 功能描述 |
|---|---|
| 向量化模块 | 将文档片段与用户查询向量化，便于在向量空间中计算相似度。 |
| 文档加载与切分模块 | 加载原始文档，并按段落或句子切分成适合处理的文档块（Document Chunks）。 |
| 向量数据库 | 存储文档片段的向量表示，支持高效相似度检索（如 FAISS、Milvus 等）。 |
| 检索模块 | 根据用户 Query 检索出相关的文档片段，返回给生成模块使用。 |
| 大语言模型模块 | 接收查询与上下文，基于语义理解和知识生成最终回答。 |
更多阅读：
一文彻底搞懂大模型 - RAG（检索、增强、生成）