RAG 检索增强生成入门：拆解“检索-增强-生成”三大环节

核心洞察

这篇文章最有意思的点，是把 RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses. 拆成"检索、增强、生成"三个动作，主谓宾捋清楚，整个系统的逻辑就顺了。网上讲 RAG 的资料不少，但很多一上来就甩架构图，对刚接触的人不太友好。这篇从数据准备一路讲到检索和生成，适合当大模型应用开发的第一份读物。

RAG，全称 Retrieval-Augmented Generation，中文叫检索增强生成。它把信息检索技术和语言生成模型凑到一块，先从外部知识库检索相关内容，再作为提示词（Prompt）喂给大语言模型（LLM）大型语言模型是驱动ChatGPT等AI系统的机器学习工具，能够理解和生成人类语言，但在不同问题表述下可能产生不一致答案。，让模型在处理问答、文本摘要、内容生成这类知识密集型任务时更准确。RAG 由 Facebook AI Research（FAIR）团队在 2020 年提出，后来迅速成了大模型应用里的热门方案。

核心结论

1. RAG（检索增强生成）是一种结合信息检索与大语言模型的 AI 框架，由 Facebook AI Research（FAIR）团队在 2020 年提出。

2. RAG 的核心动作拆分为“检索、增强、生成”三个环节：检索是从知识库获取相关内容，增强是把检索结果加入提示词，生成则由大语言模型基于增强后的提示词输出答案。

3. RAG 的完整工作流程分为五步：知识准备、嵌入与索引、查询检索、提示增强、生成回答。

4. RAG 技术架构由检索模块和生成模块组成：检索模块通过文本嵌入将文本数据映射到连续向量空间的技术，保留语义关系，用于机器学习任务中的特征表示。模型和向量数据库A database system designed to store and perform high-dimensional semantic similarity searches on vector embeddings of data.（如 FAISSFacebook's open-source library for efficient similarity search and clustering of dense vectors.、MilvusA cloud-native vector database built for scalable similarity search applications.）实现相似度检索，生成模块则利用预训练大模型完成上下文融合与回答生成。

5. RAG 通过引入外部知识库，能够有效缓解大语言模型的知识截止问题和幻觉问题。

一、检索增强生成（RAG）

什么是 RAG

RAG 是一种 AI 框架。它把传统信息检索系统（比如数据库）的优势，和生成式大语言模型的能力拼在一起。LLM 拿到检索出来的额外知识，再配合自己的语言能力，输出自然更靠谱。

如何理解 RAG 的"检索、增强、生成"

RAG 的目标是从外部知识库检索相关信息，辅助大语言模型生成更准确、更丰富的文本。三个关键词拆开看：

检索：RAG 流程的第一步，从预先建好的知识库中找出和问题相关的信息，为后面的生成提供上下文和知识支撑。

增强：把检索到的信息作为上下文输入给生成模型，增强模型对特定问题的理解和回答能力。外部知识融进生成过程，生成的内容自然更丰富、更准确。

生成：最后一步。生成器拿着检索到的上下文，结合大语言模型产出符合用户需求的回答。

这里的主语值得捋一捋。从知识库检索到的东西，增强的是 LLM 的提示词，LLM 再拿着增强后的提示词生成答案。检索增强的是提示词，生成答案的是 LLM，这个关系别搞反。

如何使用 RAG

概念聊完了，看怎么落地。以搭建知识问答系统为例，分三步。

数据准备与知识库构建

先收集和问答系统相关的数据，文档、网页、数据库都行。接着做数据清洗，去掉噪声、重复项和无关信息。清洗完的数据切分成较小的片段（chunks），用文本嵌入模型（比如 GLM）转成向量，存进向量数据库（FAISS、Milvus 等），知识库就建好了。

检索模块设计

用户输入问题时，用同一个文本嵌入模型把问题转成向量，再到向量数据库里做相似度检索，一般用余弦相似度。按相似度得分排序，挑出最相关的片段，作为后续生成的输入。

生成模块设计

这一步很直接：把检索到的相关片段和原始问题合并，组成更丰富的上下文，交给大语言模型生成回答。大模型会根据检索到的信息给出准确、有用的答案。

你可以结合自己的业务领域，先搭一个医疗、法律或者产品知识问答的 Demo，再在工作中慢慢完善知识库里的问答对。

二、RAG 的原理、流程及架构

RAG 工作原理是什么

大语言模型有两个毛病：知识截止和幻觉。

知识截止：模型的知识到训练数据截止那天就没了。你问它截止之后的事，它要么答不上来，要么给你一个过时的答案。

幻觉：模型一本正经地给出错误答案，自己还没察觉。

RAG 把外部数据接进来，从知识库检索相关信息增强模型的生成能力，绕开了这两道坎。

RAG 工作流程是什么

完整流程五步：

1. 知识准备：收集知识文档，转成文本，做预处理和索引。
2. 嵌入与索引：用嵌入模型把文本转成向量，存进向量数据库。
3. 查询检索：用户查询转成向量，从数据库里检索相关知识。
4. 提示增强：把检索结果拼进提示词模板。
5. 生成回答：大语言模型根据增强后的模板生成回答。

RAG 技术架构是什么

RAG 架构由两个核心模块组成：检索模块（Retriever）和生成模块（Generator）。

检索模块干三件事：

• 文本嵌入：用预训练的文本嵌入模型把查询和文档转成向量，方便在向量空间里算相似度。
• 向量搜索：用 FAISS、Milvus 这类向量数据库，检索出和查询向量最相似的文档或段落。
• 双塔模型：检索模块常采用双塔结构（Dual-Encoder），一个编码器管查询，一个编码器管文档，两者映射到同一个向量空间再算相似度。

生成模块也干三件事：

• 生成模型：通常用大规模预训练的生成模型（比如 GLM），自然语言生成能力很强。
• 上下文融合：把检索到的相关文档和原始查询合并，形成更丰富的上下文输入。
• 生成过程：模型根据输入的上下文，生成连贯、准确的回答。

检索模块负责找料，生成模块负责写稿，两者一组合，基于外部知识增强的自然语言生成就落地了。

常见问题（FAQ）

RAG是什么？

RAG是检索增强生成，一种AI框架，结合信息检索和大语言模型。它先检索外部知识库相关内容，作为提示词增强LLM，再生成准确回答，解决知识截止和幻觉问题。

RAG的工作原理是什么？

RAG通过从外部知识库检索相关信息，增强大语言模型的生成能力。用户查询转成向量，在向量数据库中找到最相似内容，拼进提示词模板，LLM基于增强后的上下文生成回答。

如何理解RAG的检索增强生成三个词？

检索：从知识库找相关信息；增强：将检索结果作为上下文输入给模型；生成：LLM基于增强后的上下文输出答案。检索增强的是提示词，生成答案的是LLM。