RAG（02）——RAG的整体流程

原创 已于 2026-07-22 10:17:56 修改 · 282 阅读 · 5 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
收录于
大模型

当前文章被收录于：

大模型
11 篇文章 0 人学习
订阅专栏 查看详情
于 2026-07-21 18:59:46 首次发布

分片

什么是分片？

顾名思义，就是把文档切分成多个片段。
在这里插入图片描述

分片的方式

  • 按照字数
  • 按照段落
  • 按照章节
  • 按照页码
  • …

目的就是把一个文档分成多份，存入向量数据库。

索引

通过Embedding将片段文本转换为向量

向量：有大小和方向的量

一维向量：[1.2]、[3.3]
二维向量：[1.59,2.25]、[2.2,3.9]
三维向量：[1.529,21.21,3.1]、[2.21,3.39,8.8]
…

Embedding就是将文本转为向量的过程，Embedding是由模型完成的。

将片段文本和片段向量存入向量数据库

向量数据库：用于存储和查询向量的数据库，一般存储向量和原始文本

向量文本
[1.59,2.25,1.1,2,1,5…9.9,8.8]中国人
[8.5,6,8.6,9.57,5.8,…96,5.5,9]这是一篇博客

召回

什么是召回？

搜索与用户问题相关片段的一个过程。
在这里插入图片描述

向量数据库怎么查询的？

通过向量相似度，大体流程如下，先把用户问题转为向量，

用户问题向量用户问题文本
[1.59,2.25,1.1,2,1,5…9.9,8.8]步行街怎么走

目前向量数据库中片段向量

片段向量片段文本
[1.59,2.25,1.1,2,1,5…9.9,8.8]步行街坐20路可以到
[8.5,6,8.6,9.57,5.8,…96,5.5,9]步行街坐出租可以到
[5.5,6.6,9.5,…,5.6,89,99]步行街今天下雨

然后通过一个公式：similarity(用户向量，片段向量)，用户向量不变，片段向量依次填入，计算出向量相似度，然后排序，取最前面的n个

向量相似度
1.2
3.5
9.9

向量相似度的计算方法

余弦相似度
欧式距离
点积

重排

什么是重排

重排就是重新排序。召回是从所有的向量相似度中挑选最与用户问题相关n个返回，重排就是在这个n个中再次排序，挑选前几个返回。
为什么不在召回直接返回前几个，省去重排步骤呢？

重排和召回的区别

/召回重排
方法向量相似度cross-encoder
特点成本低、耗时短、准确率底成本高、耗时长、准确率高
适用场景初步筛选精挑细选

类似于简历的筛选：召回≈简历初筛，重排≈面试

生成

大模型根据用户问题和片段，生成用户的答案

整体流程

在这里插入图片描述

标签
#大模型RAG
RAG 全攻略：传统RAG / Graph RAG/Agentic RAG 详解，一文读懂 RAG
lovehu6686的博客
01-19 1360
RAG（检索增强生成）是为AI模型配备"专属知识库+搜索引擎"的技术，确保回答基于真实数据而非臆造。其核心形态包括：1）传统RAG：通过向量检索匹配知识片段；2）GraphRAG：基于知识图谱实现关系推理；3）AgenticRAG：具备自主任务拆解与执行能力。RAG通过上下文工程优化信息输入，大幅提升AI回答的准确性、时效性和可追溯性。应用场景涵盖客服系统、质检分析、旅游规划等，选择方案需根据业务需求：简单查询用传统RAG，复杂分析用GraphRAG，多任务处理用AgenticRAG。落
rag综述——RAG技术发展流程、最新技术挑战与系统级优化
lovehu6686的博客
12-18 1205
RAG技术发展综述：本文系统梳理了检索增强生成(RAG)技术的演进历程，从2017年开放域问答中的早期探索，到2020年正式提出RAG架构并与大模型深度融合，再到2025年向系统化、可信化和智能体化发展。当前RAG面临检索可靠性、系统效率和生成可信度三大核心挑战，解决方案包括领域自适应训练、强化语义编码、迭代检索策略等优化方向。未来RAG将向GraphRAG、SafeRAG等方向发展，从单纯性能优化转向构建可控、可审计的语言系统框架，成为高可靠大模型应用的基础设施。
【RAG】整体流程
weixin_43490759的博客
09-23 663
英文简称：RAG中文翻译：检索增强生成存在的问题：1.大模型训练成本高，不可能实时更新，存储的知识仅限于训练截止日期之前（比如2023年训练出来的模型，询问2025年发生的事件，大模型不了解）2.用于训练大模型的知识，来源于网络上各种公开文件，并不了解私域的信息（比如询问大模型我的公司有多少人，员工手册有什么内容，大模型并不知道）由此衍生出了RAG的概念RAG存在的意义：针对性的解答专业问题，即用户提问时，结合了专业知识库+大模型的方式回答问题。
终于有人一次性把RAG说清楚了：RAG 整体流程概念！
2401_84204207的博客
11-12 1218
一、RAG 基本概念 RAG 即 Retrieval-Augmented Generation（检索增强生成）的缩写。 Retrieval 检索 Augmented 增强 Generation 生成 它的概念是：利用检索的技术，来增强整个 LLM大语言模型 的回复质量。 检索什么：检索和我们问题相关的专业领域知识。
【RAG优化】rag整体优化建议
weixin_37763484的博客
06-04 1915
rag整体流程优化
把手教你实现大模型RAG系列教程- 02 RAG流程的系统介绍
2401_84208172的博客
09-24 1038
《手把手教你实现大模型RAG》系列文章分享的是从0到1基于langchain实现大模型结合本地知识库的问答系统。大模型应用技术介绍RAG原理及流程的系统介绍基于langchain手把手教你实现大模型RAG的整个流程使用第三方的大模型服务实现RAG使用开源大模型实现标准的模型服务部署，并基于部署的大模型实现RAG使用gradio教你快速实现RAG的体验UI，能够快速测试RAG的效果支持多种本地文档格式的上传和切割，并实现文本向量化。
你的AI还在“张口就来”？RAG整体流程全揭秘，让每个回答都有根有据！
Python_cocola的博客
11-21 709
RAG 主要针对 “专业领域知识不足” 这个点。当询问 LLM 的时候，除了自己问题，**使用 RAG 检索相关的 “专业领域知识”**，再把相关的 “专业领域知识” 发送给 LLM，这样 LLM 就能根据 “专业领域” 知识回答得更准确。
RAG 的整体流程
2401_84962201的博客
04-20 358
因为在很多真实场景里，用户问的根本不是公开通用知识，而是企业内部的文档、产品手册、FAQ、制度说明，甚至是最新更新过的内容。但真正做过 RAG 系统之后，你往往会发现，最影响效果的，常常不是最后那一步“生成”，而是前面的“检索链路”。而 RAG 则会在回答之前，额外去知识库里找相关资料，再把这些资料连同问题一起交给模型，让模型基于上下文来生成答案。所以召回的作用，就是先把范围缩小，把“可能有答案的材料”找出来。文档改版了，字段变了，流程变了，如果没有额外的知识接入机制，模型很可能还在按照旧内容回答。
【LLM-RAG】知识库问答 | 检索 | embedding
发现问题，并解决问题，批判性思维
01-01 6145
RAG流程（写作论文中的background：公式设定、emb、召回内容、召回基准）（工作中的思路《A Survey on Retrieval-Augmented Text Generation》该工作旨在对检索增强文本生成进行研究。主要核心的点如下：1、Retrieval Source知识来源源 训练语料：有标注的训练数据直接作为外部知识；外部数据：支持提供训练数据之外的外部知识作为检索来源，比如于任务相关的领域数据，实现模型的快速适应； 无监督数据：前两种知识源都需要一定的人工标注来完善“检索依据-
【课程总结】day28：大模型之深入探索RAG流程
Deadwalk的专栏
08-29 1706
在上一章【课程总结】day27：大模型之初识RAG中，我们初步了解了RAG的基本概念和原理，并通过代码实践了一个简单的RAG流程。本章我们将基于RAG的基本流程，深入了解文档读取(LOAD)文档切分(SPLIT)向量化(EMBED)和存储(STORE)的每个环节，并结合代码进行常见场景的实践。
RAG-02架构与组件
d3y1`5 81_09
10-12 993
RAG系统采用分层架构设计，包含数据层、处理层、检索层、生成层和应用层。核心组件包括文档加载器（支持多种文件格式）、文本处理器、向量化模块、检索器和生成模型。文档加载器负责从PDF、文本、数据库等数据源读取内容并转换为统一格式。系统通过标准化接口实现各模块协作，最终完成检索增强生成任务。架构图展示了完整的查询处理流程：从数据加载、文本分割、向量化到检索排序和答案生成。
Rag是什么，Rag的整体技术架构
最新发布
Python_cocola的博客
07-28 204
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。
RAG（检索增强生成）的文档处理流程详解
嗨，欢迎来到我的 CSDN 博客小天地！一名深耕多年的技术发烧友。在这里，我将把日常工作中积累的宝贵经验，从复杂架构设计的精妙之处，到代码优化的实战技巧，毫无保留地分享给大家。
07-12 2143
RAG（检索增强生成）的文档处理流程详解
02-RAG核心概念与架构
郑恩赐，厦门工学院软件工程AI方向本科在读。专注AI全栈应用开发，熟练Vue3、Spring Boot、PyTorch等技术栈，正在探索多模态大模型应用。拥有多个全栈项目和AI应用开发经验，获国家级大创立项和发明专利，掘金优质作者榜第2名。
02-09 966
本文系统讲解RAG技术原理与架构设计，涵盖基本概念、检索与生成模块、工作流程、技术栈选型及Naive到Modular的范式演进，为后续实践打下理论基础。
RAG应用的典型工作流程
python123456_的博客
07-10 1621
在这一部分，我们将概述 RAG 系统的核心组成部分，包括。
万字长文读懂RAG
分享包括但不限于计算机基础知识、数据结构与算法、Golang技术栈。年与时驰，意与日去，遂成枯落，多不接世，悲守穷庐，将复何及！
11-08 3069
应对面试的RAG
RAG进阶之路Advanced RAG, Graph RAG 以及Agentic RAG
m0_59163425的博客
07-07 1256
大型语言模型（LLM）彻底改变了人工智能领域。从撰写文章到总结研究，它们以前所未有的方式模仿人类语言。但在这智能表象之下，潜藏着一个顽固缺陷：LLM的能力受限于训练数据。它们不知道昨天发生的事，有时甚至会凭空捏造信息。
从零开始优化 RAG 流程的终极指南，解决检索增强生成的核心挑战
z551646的博客
03-10 1382
本文讨论了优化 RAG 管道各个部分并增强整体 RAG 性能的各种技术。你可以在 RAG 管道中使用其中一种或多种技术，使其更加准确和高效。希望这些技术能够帮助你为你的应用程序构建一个更强大的 RAG 管道。参考资料：https://luv-bansal.medium.com/advance-rag-improve-rag-performance-208ffad5bb6a。
大模型RAG：文档分块方案与RAG全流程
qingkahui24689的博客
10-08 2944
我们知道，大模型在预训练阶段获取的知识是有限的，一般需要数据增强模块引入外部知识库，通过知识检索的方式搜索于用户提问相关的知识，这也是RAG相关应用架构出现的原因。但这又引申出另一个问题，外部知识文档往往比较长，可能是包含几十页甚至数百页的内容，如果直接使用会存在以下问题：大模型在预训练过程都有上下文长度限制，如果超过长度限制大模型会将超出部分丢弃，从而影响回答的性能表现。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值