RAG 浅显知识

什么是 Rag？

检索增强生成（Retrieval-augmented Generation），简称 RAG。

简单来讲，RAG 就是通过检索获取相关的知识并将其融入 Prompt，让大模型能够参考相应的知识从而给出合理回答。

因此，可以将 RAG 的核心理解为 “检索 + 生成”，前者主要是利用 [[向量数据库]] 的高效存储和检索能力，召回目标知识；后者则是利用大模型和 Prompt 工程，将召回的知识合理利用，生成目标答案。

RAG 架构

完整的 RAG 应用流程主要包含两个阶段：

• 数据准备阶段：数据提取 ——> 文本分割 ——> 向量化（embedding）——> 数据入库。
• 应用阶段：用户提问 ——> 数据检索（召回）——> 注入 Prompt ——> LLM 生成答案。

向量化（embedding）

向量化是一个将文本数据转化为向量矩阵的过程，该过程会直接影响到后续检索的效果。

数据检索

常见的数据检索方法包括：相似性检索、全文检索等，根据检索效果，一般可以选择多种检索方式融合，提升召回率。

• 相似性检索：即计算查询向量与所有存储向量的相似性得分，返回得分高的记录。常见的相似性计算方法包括：余弦相似性、欧氏距离、曼哈顿距离等。

注入 Prompt

Prompt 作为大模型的直接输入，是影响模型输出准确率的关键因素之一。在 RAG 场景中，Prompt 一般包括任务描述、背景知识（检索得到）、任务指令（一般是用户提问）等。

【任务描述】
假如你是一个专业的客服机器人，请参考【背景知识】，回
【背景知识】
{content} // 数据检索得到的相关文本
【问题】
石头扫地机器人P10的续航时间是多久？

参考文献

• # 一文搞懂大模型 RAG 应用（附实践案例）
• RAG 工作机制详解