RAG 是什么
RAG（Retrieval Augmented Generation，检索增强生成）是一种结合信息检索和文本生成的技术方案
RAG 技术就像给 AI 装上了「实时百科大脑」，通过先查资料后回答的机制，让 AI 摆脱传统模型的”知识遗忘”困境
主要核心流程分为：
- 检索（Retrieval）：基于用户的输入，从外部知识库（数据库、文档、网页）中检索与查询相关的文本片段，通常使用向量化表示和向量数据库进行语义匹配。
- 生成（Generation）： 将用户查询与检索到的内容作为上下文输入给 LLM（如 GPT、DeepSeek 等），由模型输出最终回答。
RAG 解决了什么问题
1、知识更新滞后
LLM 是离线训练的，一旦训练完成后，它们无法获取新的信息，因此，它们无法回答训练数据时间点之后发生的事件，比如“今天的最新新闻”
2、幻觉现象
大语言模型（LLM） 的回答是根据已有的 训练数据 和概率预测得出来的，当面对没有在训练中见过的问题时，模型可能会“编造”看似合理但实际上不准确或虚构的内容
RAG 是如何解决这些问题的？
RAG 将信息检索与语言生成相结合，在回答问题时，首先从外部知识库（如网页、数据库、文档等）中检索相关信息，再基于这些信息生成回答。这样一来：
- 即使模型本身不包含最新知识，也能通过检索获取最新内容
- 回答更加有依据，减少“编答案”的幻觉现象
RAG 流程
文档索引
在 RAG 中，文档索引 是整个流程的基础环节之一，将文档（word，excel，PDF，Markdown 等）根据一定的规则容划分为文本块（chunk），然后通过 Embedding 模型将文本块转换为向量并存入向量数据库中
文档索引的目的是为了实现高效、准确的信息检索，为后续的大语言模型生成提供可靠的上下文支持。
步骤
- 向量化用户问题：将 用户问题 用相同的 Embedding 模型转换为向量，用以检索相关知识分片
- 检索（Retrieval）：通过向量数据库一系列高效的数学计算 （如余弦相似度、欧氏距离等），检索出语义相似度最高的几个知识分片（Top_k）
- 构建 Prompt ：将 Prompt + 检索结果+ 用户问题 构建成完整的 Prompt
- 生成（Generation）：大语言模型再根据这个 Prompt 生成结果
Embedding 模型是什么？
Embedding 是一种将文字序列（如词、句子或文档）转换为向量表示（固定维度的向量）的技术
模型目标：使得具有相似语义的文字序列对应的向量尽可能接近（即相似度高），而语义不同的文字序列对应的向量尽可能远离（即相似度低）
作用：通过数学计算向量之间的距离，快速检索出相似度最高的文字序列
