RAG (Retrieval Augmented Generation)

什么是 RAG

RAG 是一种结合检索系统和生成模型的 AI 架构。模型在生成回答前，先从外部知识库检索相关信息，再用检索到的内容作为上下文来生成答案。

核心组件

1. 检索器 (Retriever)
2. 负责从向量数据库中查找相关文档
3. 常用算法：BM25、Dense Passage Retrieval (DPR)

4. Embedding 模型决定检索质量

5. 生成器 (Generator)

6. 通常是 LLM
7. 接收检索结果 + 问题作为输入

8. 生成最终回答

9. 向量数据库 (Vector Store)

10. 存储文档的向量表示
11. 支持相似度搜索
12. 常见选择：Pinecone、Weaviate、Milvus、ChromaDB

为什么需要 RAG

• 时效性：训练数据有截止日期，RAG 可访问最新信息
• 可解释性：答案可溯源到原始文档
• 降低成本：无需为每个知识微调模型
• 减少幻觉：基于真实文档生成，更可靠

RAG 流程

用户问题 → Embedding → 向量相似度搜索 → Top-K 相关文档 → 与问题拼接 → LLM 生成回答

Agentic RAG

在 RAG 基础上增加 Agent 能力： - 决定是否需要检索 - 选择检索范围和策略 - 多步推理和迭代优化 - Agentic RAG 模式：Agent 负责决策检索时机和策略

优化策略

• Query 改写：将用户问题改写为更适合检索的形式
• 混合检索：结合向量搜索和关键词搜索
• 重排序 (Reranker)：对检索结果二次排序
• 迭代检索：多轮检索逐步精炼结果

相关技术

• [[Agentic RAG]] - 结合 Agent 和 RAG
• [[Chunking]] - 文档分块策略
• [[Embedding]] - 向量化技术

状态

evergreen

来源

待补充