大模型存在幻觉、知识更新滞后、数据安全等缺陷。RAG通过结合检索系统和生成模型从外部知识库实时获取信息有效提升回答的准确性和相关性。RAG优势在于知识可实时更新、可观测可解释、降低幻觉问题且相比微调成本更低。RAG系统由文档切块、向量化、向量数据库、检索和生成等组件构成通过模块化设计实现可扩展和可维护。文章还探讨了RAG的技术演进、主流开源框架及常见误区强调数据分析和系统架构优化的重要性。01LLM的问题RAG的破局 大模型的缺点幻觉在没有答案的时候会提供一些虚假的信息。新鲜度模型知识的更新成本、周期、及大模型的通用能力问题。知识新鲜度的更新模型的训练都有滞后性用当下模型的时候会有知识的缺失。数据安全和隐私等问题。大多数模型的Context Window非常有限模型无法读取所有内容。输入太杂乱会影响模型理解。输入越多模型推理成本高、推理速度慢。RAG就是检索增强生成结合检索系统和生成模型来提高语言生成的准确性和相关性。通过从外部知识库中检索相关信息并将其作为提示Prompt输入给大型语言模型LLMs以增强模型处理知识密集型任务的能力提供更加符合上下文语境的回答。RAG的优势RAG的优势在于它能够在生成响应时引入外部知识提供更符合上下文语境的回答。与预训练模型不同RAG的内部知识可以很容易地修改甚至实时补充。相比微调技术RAG具备可观测性、可解释性等优势还可以有效降低大模型的幻觉问题。知识实时性困境大模型大模型训练数据存在时间截断。RAGRAG通过实时检索最新文档如科研论文/新闻动态扩展模型知识边界。事实准确性困境大模型纯生成模型易产生“幻觉”Hallucination虚构不存在的事实。RAGRAG先检索相关证据文档要求模型严格基于检索内容生成显著降低错误率。领域适配成本问题大模型微调Fine-tuning需要大量标注数据和计算资源。RAGRAG仅需构建领域文档库即可让通用模型输出专业内容如法律/医疗场景。Rag具有的特点可扩展性企业知识库以 TB/PB 计远超长上下文窗口的承载能力准确性长上下文模型存在“上下文悬崖”远未达到理论极限就已性能下降延迟与效率全量输入导致响应慢 成本高RAG能精准定位最相关信息数据隐私支持基于角色的访问控制避免将所有数据暴露给基础模型部署资源受限显存/算力限制无法支持超长上下文如 Qwen-14B 在 A100-40G上仅能接收约20k token实际案例即使百万token窗口也仅相当于1500页文档远不足以覆盖全库RAG系统的组成RAG是一个系统不是单一的组件由多个组件组成的复杂系统LLM只是其中的一个组件。RAG系统组件包括Chunk切块文档如果太大系统会把它拆成小片段。比如《报销手册》被拆成”机票报销“、”酒店报销“、”差旅补贴“。检索时就能更精准不需要把整本手册塞进给大模型。Embedding向量化把文字转成一组数字向量相似的句子距离很近不相关的距离很远。比如”机票报销“和”出差机票费用申请“离得近而和”量子纠缠“则完全不搭界。Vector Database向量数据库存放向量的仓库可以快速找出和问题最相近的几段内容。常见的向量数据库有Milvus、Weaviate、Pinecone等。Retrieval检索除了把切块转成向量用户的问题也会转成向量在向量数据库与其他数据片段比较“距离”距离越近代表内容越相关检索的结果就是找出最相关的几个片段。Generation生成检索到片段 用户问题 → 输入大模型 → 输出自然语言答案。切块、向量化、向量数据库这三部分可以理解为是离线部分去做检索和生成是在线部分做。RAG已死我们总会听到一个词叫RAG已死因为现在大模型有长上下文的能力之后它就可以吃到更多的TOKEN这样的话是不是RAG就没有用了 下面是Meta AI的一个Rag原文作者说他当时做Rag的一个初衷目标结合参数化记忆模型本身知识 非参数化记忆外部检索知识从而扩展语言模型的知识库。解决痛点无法访问私有企业内部数据模型无法访问 私有/专有数据参数知识过时无法实时更新其训练数据截止日期与当前时间之间总会存在差距。幻觉与归因问题模型经常编造听起来合理但错误的信息缺乏可验证来源。错误的二分法RAG vs 长上下文 vs 微调 vs MCP ≠ 你死我活正确认识它们是互补关系RAG → 获取外部知识微调 → 优化处理与应用长上下文 → 承载更多检索信息MCP → 简化工具/Agent集成类比RAG不是“过时工具”而像 硬盘与内存在系统中各司其职结论RAG永远不是“过时替代品”而是AI知识利用的基础设施。真正有价值的方案必然是 检索 长上下文 微调 MCP 的组合拳。传统问答系统 VS 问答对FAQ VS Rag检索增强生成传统问答系统 vs 现代问题系统(RAG)问答对FAQvs RAG检索增强生成基于问答对的问答基于问答对的问答就像一个“预设答案库”。系统会提前整理好一系列问题与对应的答案通常由人工或规则生成当用户提出问题时系统通过关键词匹配或语义向量匹配从库中找出最相似的问答对直接返回答案。它的核心在于高效匹配可以不依赖大型语言模型LLM实现简单且轻量。特点数据结构固定问答对数据库。匹配方式关键词或语义匹配。回答方式直接返回已有答。基于文档的问答RAGRAG是一种更现代的方案。它将文档切分成小块转化为向量存储在知识库中。当用户提问时系统先通过向量检索找到与问题最相关的文档片段再交给大型语言模型LLM生成自然语言回答。RAG结合了检索与生成灵活性更强。特点是数据结构文档切分后向量化存储。匹配方式向量相似度检索。回答方式LLM综合检索结果生成答案。灵活性能推理、组合生成新答案。双层知识库问答第一层FAQ知识库人工标注这是一个高质量、小而精的知识库存储着由领域专家撰写和审核的标准问答对。它专门针对那些频繁发生、具有标准问答对的回答。这一层的目标是提供零偏差的答案。第二层向量知识库文档语料这是一个大规模、广覆盖的知识库包含了操作手册、行业规范、领域文档等海量非结构化文档。通过文本分割、向量化后存储于向量数据库中。它负责处理FAQ知识库未覆盖的长尾问题和复杂查询。02大模型微调和Rag大模型微调RAG的对比03RAG的技术架构RAG的整体技术架构如上图主要分为离线和在线离线就是先进行文本切块再进行分词向量化得到一个向量库索引库索引库可以进行文本索引也可以做一个向量索引。当用户来进行提问之后分别做一个文本混合检索和一个向量检索计算用户的问题与语料库中哪些文本块相似比较相似高的k个块作为答案。检索完之后把数据进行重排序最后返回k个答案文本块给大模型。最后结合提示词工程模板将检索得到的k个块和用户的问题一起送进大模型大模型基于给定的文本块来回答用户的问题。Rag技术演进最开始的Rag是23年用户提问后对这个向量对这些文件进行一个检索当检索完回来之后直接组装成提示词送给大模型就回答了这是最简单的一个方式。更高级点就是在检索做了一个前优化一个后优化。那前优化就是做了一些查询的改写路由分配到哪些知识库这种路由检索完之后我们进行就是对检索内容再怎样进行检索检索完之后了我们在后在那个检索之后进行一个重排序融合这些操作之后最后组装成提示词之后给大模型这是高级进阶的rag。再之后就相当于把RAG拆成模块化RAG并不是一个单一的组件它是多个组件的组合组件就可以认为进行的模块化比如检索是一个组件重排序是一个组件OCR识别也是一个组件好处是可扩展在不同场景有些场景可能不需要重排序有些场景可能需要查询改写就可以对组件可以进行一个可插拔的方式对每个组件单独评估配置这样也好维护各组件之间就是松耦合这个是RAG的一个演进方式。主流开源框架①RAGFlow②QAnythingRAG开源框架对比RAG自研技术架构04RAG的“天地之间”上图是Rag的天地之间。天地之间下边的数据细节每个业务数据都是独一无二的就会有一些隐私数据。第二点就是在进行RAG调试的时候数据是非常重要的。Rag的思想很简单就是检索增强生成我们需要考虑的是如何搭建RAG把RAG进行普适的推广一定要进行数据分析把数据的细节做好。所以这是Rag的一个地一定要踩这个地才行。天是它的系统架构可以认为是一个工程架构。离线、在线怎么做我们要保证的是系统的整体最优而不是局部最优。优化检索、优化大模型也不一定对整体最优。如果检索的策略效果提升了但是检索内容会引入一些杂质需要进行测试才可以而且一些检索办法不一定完全适配于你的业务还是需要尝试的。这是Rag的一个系统架构中间部分是数据细节和系统架构是天地之间的内容是索引构建检索策略生成索引构建包括了离线文档解析、知识入库构建向量embedding还有一些数据库的选型。检索策略包括全文检索、向量检索检索之前用一个多轮的query改写检索之后可以把答案检索内容进行一个整合排序排版把内容送到大模型中。做完之后可能会有一些业务适配的情况需要围绕业务目标去设计流程去来实现场景化的一个落地。中间的索引架构、检索策略都是为了满足系统架构能够非常好可以达到系统架构最优的路径它不能光考虑局部最优还要考虑整体。第一数据可能会存在混淆的情况没法进行很好的问答 所以数据要进行分库进行数据筛选。第二过度依赖通用的检索算法比如用全文检索向量检索组合的混合检索如果大部分用户提问都是一些关键词全文检索就能检索到这部分内容就不需要向量检索了全文检索还比较准可靠。向量检索的场景是用户问题提问比较模糊基本不问关键词可能全文检索会拉低向量检索的得分这时就需要分析到底用单一的检索还是混合检索这是第二点误区。第三文本拆分的粒度不合理默认的切分方式为256、512这种实际上不同文档的切块方式是不一样的。比如法律类的文章就一大段一大段的切分256可能有点儿太细了512的大小是比较符合的。比如说我们有一些文章内容实际上他没有那么大可能256。所以就可以把接口开放给用户让用户去选择256还是512因为用户更比你更了解业务。第四将误将检索的召回率等同于检索的效果检索召回率的时候会有一些指标如NDCG其实更要关注的是一些精确率、准确率它只是召回来了但实际上得看看它的准确率有多少。拿到召回数据可以看看TOP1、TOP3、TOP5、TOP10的一个结果这样可以确认召回的效果。第五生成阶段过度依赖大模型大模型可以承接很多上下文就很容易把这些内容直接扔给大模型这样的话会有一些杂质而且还会存在一种什么就是说你比如说你在提示词的时候告诉他基于以上内容进行回答大模型一看上面内容之后也不管这内容是否完全跟用户提问相关就直接回答所以还得在提示词里做一些约束严格基于以上内容进行回复跟用户问题相关。第六忽视用户的查询意图比如用户询问怎么解决手机充电慢的情况因为他的问题是一个偏口语化的检索回来可能就是手机充电原理这种情况就不是完全符合预期。需要增加改写功能把用户的提问改写成偏标准化的问题这样就可以解决检索到无关内容的情况避免检索到无关内容。第七是查询意图的理解除了改写之外还有前置的意图分类。比如有常见问题类有故障类这种问题把这两个数据都放在一个数据源里进行一个问答可能回答的不好因为常见问题会跟故障进行混淆但是把这两个库分开在前面做一个意图分发比如识别的时候用户的问题是跟常见问题相关那就在常见问题库里去检索那它一定是准的比在全库里更准。当用户进行提问之后先进行意图分发确定到哪个知识库后。再进行快速改写、检索。这就是Rag的一个天地之间。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取