StudyAI8

第 1 节 / 共 12 节

1.1 什么是RAG？

📌 本节目标

学完本节后，你将能够清晰地解释RAG（检索增强生成）是什么，理解它"先检索、后生成"的核心工作流程。更重要的是，你会明白为什么在面对需要实时知识或企业内部文档的问题时，RAG 比传统的纯生成式大模型更加可靠和强大。我们将一起画出RAG的基本流程图，为后续的动手实践打下坚实基础。

1. 核心概念讲解

什么是RAG？

RAG 是 Retrieval-Augmented Generation 的缩写，中文叫检索增强生成。听起来有点复杂，但拆开来看就很简单：

  • 检索：像在图书馆里查书一样，先从你的知识库（比如产品手册、公司制度、技术文档）中找到与当前问题最相关的资料。
  • 增强：把这些找到的资料作为"参考材料"，提供给大语言模型。
  • 生成：大语言模型根据你提供的参考材料和你提出的问题，生成一个准确、有依据的回答。

核心公式：RAG = 检索 + 生成

比如：假设你是一家公司的客服，客户问"我们公司今年的年假政策是什么？"

  • 纯生成模型：只能凭记忆回答，如果记忆里没有（或者记忆是去年的政策），它可能会瞎编一个答案。
  • RAG：先到公司HR的数据库中检索"2024年年假政策"这个文档，找到具体条款，然后把这段文字连同客户的问题一起发给大模型，让它参考这些文字来生成回答。这样答案就既准确又有据可查。

RAG 的工作流程（三步走）

RAG 的工作流程非常直观，我们可以用下面的伪代码来理解：

# 1. 检索阶段：从知识库中找到相关文档
query = "我们公司今年的年假政策是什么？"
relevant_documents = search_in_knowledge_base(query)
# 假设返回了 ["2024年年假规定.pdf - 第3条：员工每年享有15天年假"]

# 2. 增强阶段：将检索到的文档和原始问题拼在一起
enhanced_prompt = f"""
请根据以下参考材料回答用户的问题。

参考材料：
{relevant_documents[0]}

用户问题：
{query}

请基于参考材料给出准确回答：
"""

# 3. 生成阶段：让大模型基于增强后的提示词生成回答
answer = large_language_model.generate(enhanced_prompt)
# 输出："根据公司2024年年假规定，员工每年享有15天年假。"

纯生成式模型 vs RAG

为了更好地理解两者的区别，我们来看一个对比表格：

| 维度 | 纯生成式模型（如 ChatGPT 直接对话） | RAG 架构 | |------|------------------------------------|----------| | 知识来源 | 依赖训练数据中的记忆（截止到某个时间点） | 实时检索外部知识库（文档、数据库、网页等） | | 知识更新 | 需要重新训练或微调，成本高、周期长 | 只需更新知识库中的文档，即插即用 | | 幻觉风险 | 高：容易编造事实，尤其是小众或新知识 | 低：回答有源可溯，模型被约束在参考材料内 | | 适用场景 | 通用对话、创意写作、代码生成 | 企业知识问答、客服系统、技术文档查询 | | 成本 | 调用一次模型即可 | 多一次检索步骤，但避免了昂贵的模型重训 |

2. 深入理解

为什么要用 RAG？

想象一下，你是一位技术主管，团队需要开发一个内部问答机器人，用来回答员工关于公司IT运维手册的问题。手册有500页，每周都在更新。

  • 方案A（纯生成式）：你需要把500页手册喂给大模型做微调，每次更新都要重新微调。不仅成本高昂，而且模型可能记不住所有细节，还会"自由发挥"。
  • 方案B（RAG）：你只需要把手册PDF存入向量数据库（一种专门做相似性搜索的数据库），每次提问时，系统自动检索最相关的3-5段文字，再让大模型据此回答。更新手册时，替换数据库里的文件即可。

RAG 的核心价值在于：让大模型成为一个"会查资料的好学生"，而不是一个"死记硬背的考生"。

初学者常见的误区

  1. 误区一：RAG 就是简单的"搜索+拼接"

    • 纠正：虽然流程看似简单，但实际工程中要考虑检索质量（如何找到最相关的内容）、提示词设计（如何让模型正确使用参考材料）、以及模型对长上下文的处理能力。不是把搜索到的所有内容都堆给模型就行。

  2. 误区二：RAG 可以完全消除幻觉

    • 纠正：RAG 能大幅降低幻觉，但无法完全消除。如果检索到的文档本身有错误，或者模型错误理解/忽略了参考材料，仍然可能产生不准确的回答。好的RAG系统需要结合文档质量控制和结果验证。

  3. 误区三：RAG 只适合文本数据

    • 纠正：RAG 可以处理各种模态的数据。比如你可以检索图片、表格、甚至代码片段，然后让多模态大模型来生成回答。关键在于如何将不同格式的数据转化为可检索的向量表示。

3. 实战演示

让我们用最简单的 Python 代码，模拟一个 RAG 的完整流程。这里我们不用任何外部API，只用标准库和简单的逻辑来演示思想。

场景：一个迷你知识库问答系统

假设我们有一个关于"水果"的小知识库，用户问"香蕉有什么好处？"，系统需要先检索知识库，然后基于检索结果生成回答。

# 实战：手写一个最简RAG流程

# 第一步：准备知识库（通常是一个文档列表）
knowledge_base = [
    "苹果富含维生素C，有助于增强免疫力。",
    "香蕉富含钾元素，有助于调节血压，缓解疲劳。",
    "蓝莓含有丰富的抗氧化剂，对眼睛健康有益。",
    "橙子含有大量维生素C，有助于预防感冒。"
]

# 第二步：检索函数（这里用最简单的关键词匹配，实际工程中用向量检索）
def simple_retrieve(query, knowledge_base):
    """根据查询关键词，从知识库中找到最相关的文档"""
    relevant_docs = []
    query_words = query.lower().split()  # 将查询拆成关键词
    
    for doc in knowledge_base:
        # 检查查询中的关键词是否出现在文档中
        if any(word in doc.lower() for word in query_words):
            relevant_docs.append(doc)
    
    return relevant_docs

# 第三步：生成函数（模拟大模型，基于参考材料生成回答）
def simple_generate(query, context_docs):
    """模拟大模型生成回答"""
    if not context_docs:
        return "抱歉，我没有找到相关的信息。"
    
    # 构造一个基于上下文的回答
    combined_context = "；".join(context_docs)
    # 这里模拟模型"理解"上下文并生成回答
    answer = f"根据检索到的资料：{combined_context}。因此，{query.split('？')[0]}的答案是如上所述。"
    return answer

# 第四步：完整的RAG流程
def rag_pipeline(query):
    print(f"用户提问：{query}")
    
    # 检索
    relevant_docs = simple_retrieve(query, knowledge_base)
    print(f"检索到的相关文档：{relevant_docs}")
    
    # 增强并生成
    answer = simple_generate(query, relevant_docs)
    print(f"生成的回答：{answer}")
    return answer

# 测试
rag_pipeline("香蕉有什么好处？")
print("\n--- 另一个测试 ---")
rag_pipeline("葡萄有什么功效？")

运行结果示例：

用户提问：香蕉有什么好处？
检索到的相关文档：['香蕉富含钾元素，有助于调节血压，缓解疲劳。']
生成的回答：根据检索到的资料：香蕉富含钾元素，有助于调节血压，缓解疲劳。因此，香蕉有什么好处？的答案是如上所述。

--- 另一个测试 ---
用户提问：葡萄有什么功效？
检索到的相关文档：[]
生成的回答：抱歉，我没有找到相关的信息。

这个例子告诉你：RAG 的核心思想就是"先找资料，再写答案"。真实工程中，检索用的是向量相似度搜索（而非关键词匹配），生成用的是真正的大模型（如GPT-4或本地模型），但流程骨架是完全一样的。

4. 关键要点

  • RAG 的核心是"检索+生成"：它让大模型不再依赖死记硬背，而是学会查阅外部资料来回答问题。
  • 知识库是 RAG 的基石：知识库的质量和检索的准确性直接决定了最终回答的好坏。垃圾进，垃圾出。
  • RAG 能有效降低幻觉：因为模型被约束在提供的参考材料内，编造事实的空间大大减小。
  • RAG 架构灵活、成本低：更新知识只需更新文档库，无需重新训练模型，非常适合企业级应用。
  • RAG 不是万能药：它依赖于检索质量、提示词设计以及模型对上下文的处理能力，需要系统性地优化各个环节。

✏️ 练习任务

任务1：画出RAG的基本流程图

练习方向：画出RAG的基本流程图

任务描述： 请用你喜欢的工具（纸笔、PPT、draw.io、Mermaid 等）画出 RAG 架构的基本流程图。流程需要包含以下关键节点和箭头：

  • 输入：用户提问
  • 处理节点1：检索模块（从知识库中检索相关文档）
  • 处理节点2：增强模块（将检索到的文档和用户问题组合成提示词）
  • 处理节点3：生成模块（大语言模型生成回答）
  • 输出：最终回答
  • 知识库：作为检索模块的数据来源

期望输出： 一张清晰的流程图，箭头方向正确，节点命名准确。如果你用 Mermaid 语法，可以参考下面的示例代码：

graph TD
    A[用户提问] --> B[检索模块]
    B --> C[知识库]
    C --> B
    B --> D[增强模块<br>组合提示词]
    D --> E[大语言模型<br>生成模块]
    E --> F[最终回答]

进阶挑战（选做）： 在你的流程图中加入"反馈循环"：如果生成的回答质量不高，系统如何自动调整检索策略（比如扩大检索范围或调整相似度阈值）？画出这个优化后的流程图。

💡 下一节我们将学习相关的进阶内容：深入拆解 RAG 的检索模块，了解什么是向量嵌入以及如何构建一个高效的知识库索引。

本节由 StudyAI8 AI 课程团队生成并审核。

下一节