大模型应用开发第九讲：RAG（检索增强生成）流程：用户查询→检索→生成响应
大模型应用开发第九讲：RAG（检索增强生成）流程：用户查询→检索→生成响应
资料取自《大模型应用开发：动手做AI Agent 》。
查看总目录：学习大纲
关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南
一、核心流程比喻（三明治制作法）
| 步骤 | 日常比喻 | RAG具体操作 |
|---|---|---|
| 用户查询 | 客人点单（“要芝士火腿三明治”） | 接收用户文本请求 |
| 检索 | 冰箱里找食材 | 在数据库查找相关文档/信息 |
| 生成响应 | 用食材制作三明治 | 结合检索信息生成自然语言回复 |
▲ 核心流程类比（整合资料3的RAG流程与资料5架构）[3][5]
二、详细操作步骤（《米其林食谱》应用案例）
1. 用户提出需求（顾客点餐）
问题示例：
用户：“如何制作正宗的西班牙海鲜饭？”
技术解析：
- 问题转换成向量编码（类似标准化点餐单）
- 自动提取深层需求：“正宗”=“传统瓦伦西亚做法”（第8章3节需求解析）[5]
2. 数据检索阶段（智能冰箱选食材）
检索流程图：
▲ 检索流程优化（资料5的Pipeline流程）[5]
实际操作：
① 检索《米其林指南数据库》→"Spanish Paella"
② 过滤条件：评分>4.5星 + 标注"传统做法"
③ 返回核心段落：
- “必须使用Bomba米吸收高汤”
- “藏红花用量：每500克米0.5克”（资料3索引优化）[3]
⚠️ 防失误设计：
- 食材替代预警：检测到"藏红花缺失" → 推荐红甜椒粉替代方案（资料5异常处理章节）[5]
3. 信息增强生成（米其林厨房烹饪）
智能菜谱生成代码：
from llama_index.core import VectorStoreIndex# 加载《世界食谱大全》知识库
documents = load_documents("./michelin_recipes")
index = VectorStoreIndex.from_documents(documents)# 配置AI主厨（定制烹饪风格）
query_engine = index.as_query_engine(similarity_top_k=3,prompt_template="用家庭厨房可操作的语言解释专业步骤" # 风格控制
)# 执行烹饪任务
response = query_engine.query("西班牙海鲜饭的家常做法")
生成过程拆解：
- 提示词拼接：
参考以下米其林食谱： [片段1]《地中海风味》强调：米粒需呈金黄色... [片段2] 三星主厨TIP：海鲜最后5分钟加入防过老 请用新手能看懂的语言输出步骤 - 模型输出优化：
基础版：平底锅铺米 → 倒入高汤 → 中火煮15分钟 升级版：步骤1：用橄榄油煎香洋葱丁+蒜末（必备爆香步骤）步骤2：Bomba米下锅炒至透明（锁住米芯）步骤3：倒入鸡汤（汤米比例3：1关键！） ```（资料6生成控制）[6]
🔍 效果对比：
传统搜索引擎结果：
"需准备海鲜、米、藏红花..."RAG增强结果：
2022年美食实验室关键数据：
"鸡汤温度保持80℃避免糊底（实验组失败率降低65%）
海鲜分层摆放：贝类埋入米中，虾类铺表面（热传导差异）"[1]
三、关键技术突破（厨房科技升级）
1. 语义保鲜技术
- 问题：菜谱更新滞后 → 去年推荐米种已停产
- 方案：建立动态索引（超市实时价签机制）
# 每周自动更新索引 index.refresh(urls=["最新米其林博客","当季食材报告"])（资料5数据管道）[5]
2. 多链式加工
| 查询类型 | 加工链条 | 案例 |
|---|---|---|
| 简单查询 | 检索→直接生成 | “藏红花用量多少？” |
| 复杂任务 | 检索→摘要→再检索 | “法餐三道菜套餐设计” |
▲ 链式优化流程（资料3分层架构图）[3]
3. 味觉反馈闭环
▲ 持续优化机制（资料6的ReAct循环案例）[6]
四、故障排除（米其林质检台）
| 现象 | 本质问题 | 解决方案 |
|---|---|---|
| 检索到错误菜系 | 菜谱标签混乱 | 重建分类树+人工审核（资料3索引修复）[3] |
| 生成步骤跳步 | 上下文窗口溢出 | 启用自动摘要模式（资料5压缩模块）[5] |
| 忽略用户忌口要求 | 需求解析失效 | 添加过敏原检测模块（资料6提示词规则）[6] |
五、技术架构图（米其林后厨系统）
▲ 完整架构（整合资料3图3.7，资料5图5.2）[3][5]
六、商业应用案例
1. 连锁餐厅标准化
- 需求：50家分店统一海鲜饭出品
- RAG方案：
- 检索总部核心配方（藏红花浓度0.1‰）
- 自动适配本地条件（海边店增海鲜量，高海拔店延长烹饪时间）
- 效果：品控波动降低73%（资料2企业案例）[2]
2. 个人健康管理
用户：“我有糖尿病怎么做提拉米苏？”
AI步骤：
1) 检索→医学指南：代糖选择赤藓糖醇（血糖指数0）
2) 检索→意餐大师：保持马斯卡彭奶酪绵密质感
3) 输出：材料替换：白砂糖→赤藓糖醇（比例1：1.3）关键步骤：奶酪隔水加热温度≤45℃（防代糖结晶）
（资料6决策引擎案例）[6]
关键资料索引：
- 索引动态更新 → 资料5“Pipeline数据管道”（《大模型应用开发：动手做AI Agent 》第5章2节）[5]
- 分层检索机制 → 资料3“多级索引系统”（《大模型应用开发：动手做AI Agent 》第3章4节）[3]
- 结果优化策略 → 资料6“生成控制模块”（《大模型应用开发：动手做AI Agent 》第8章3节）[6]
- 企业级架构 → 资料2“Agent服务化部署”（《大模型应用开发：动手做AI Agent 》第9章案例）[2]
目录：总目录
上篇文章：大模型应用开发第八讲：OpenAI API入门 基础聊天程序搭建步骤