RAG是一种结合外部知识库与大语言模型的技术,旨在解决模型知识滞后、幻觉及私有数据缺失问题 。 核心流程: 索引:将文档切分并向量化存储 。 检索:根据用户问题匹配Zui相关片段 。 生成:结合检索内容生成精准回答 。 优势: 无需重新训练模型即可注入新知识,提升回答准确性与时效性 。广泛应用于企业知识库、智Neng客服及专业领域问答 。 说实话，RAG这玩意儿挺有意思的。

你可Neng会问，为什么百度不收录我的文章？哈哈，这个问题咱就不展开说了你懂的，可Neng和RAG没直接关系，但Ke以说说RAG怎么解决知识geng新的问题。

顾客点菜 │ ▼服务员 —— 判断"这个菜厨房NengZuo吗？需要去隔壁菜市场买菜吗？" │ ├── 去菜市场拿食材 │ │ │ ▼ │ 采购员 —— 在菜市场找Zui匹配的食材 │ └── 把食材 + 订单交给厨师 │ ▼ 厨师 —— 只负责烹饪。不会买菜，不会接待顾客

回到你的场景这个问题触及了关键：不是所有问题dou需要走检索流程。

RAG Prompt 的核心要素：另一个程序完成检索和路由，LLM 只负责Zui后一步——kan着参考资料写回答。

为什么有用含义相近的文字，在向量空间中距离也近。RAG 中Zui常用余弦相似度。实践中通常设一个阈值，低于这个值的检索结果直接丢弃。

你输入一个问题后实际发生的是：先判断需不需要检索，Ru果需要，再去知识库或网络找相关信息，Zui后才让LLM生成答案。

你的问题: "今天杭州天气怎么样？" │ ▼┌─────────────────────────┐│ 编排程序│ ← 这不是 LLM，是工程师写的调度代码│ ││ "这个问题涉及时效信息， ││ 需要联网搜索" │└───────────┬─────────────┘ │ ┌─────┼─────┐ ▼ ▼┌──────────┐ ┌──────────┐│ 搜索引擎 │ │ 直接给LLM ││ 抓取天气 │ │ │└────┬─────┘ └─────┬────┘ │ │ ▼ │┌──────────┐ ││提取天气数据│ ││作为上下文 │ │└────┬─────┘ │ │ │ └──────┬──────┘ ▼┌─────────────────────────┐│ 语言大模型 ││ ││ 收到： ││ "用户问天气，这是搜索到 ││ 的信息：" ││ ││ 输出： ││ "今天杭州晴转多云， ││ 气温 -°C..." │└─────────────────────────┘

离线部分主要是实现知识库的向量化存储和索引构建。在线部分主要是实现Query的意图识别和结果生成。

步骤一：文档解析 ↓步骤二：文本切分 把长文本切成小块，块之间保留少量重叠 ↓步骤三：向量化 每块文字通过 Embedding 模型转成一组数字 ↓步骤四：向量存储 把所有向量存入向量数据库，建索引 ↓步骤五：检索 用户问题也转成向量 → 在向量库中找Zui相似的 Top-K 个文档块↓步骤六：生成 文档块 + 问题 → 拼成 Prompt → 发给 LLM → 生成回答

一句话Token 是 LLM 和 Embedding 处理文本的Zui小单位。

一句话专门存储和搜索向量的数据库。

RAG让AI先"查资料"再"回答问题"，这样Neng给出geng准确、geng新的信息，不需要重新训练模型就Neng注入新知识，大大提升了实用性。

RAG是什么?简单来说就是让大语言模型在回答问题前，先从外部知识库里找相关信息，这样Neng给出geng准确的答案，而不是单纯靠模型自身的“记忆”来回答。

RAG = Retrieval-Augmented Generation。它本质上是大模型的一种应用技术，是专门为了解决大模型的局限性，比如知识geng新不及时、专业领域知识不足等问题。

RAGFlow 是一个基于深度文档理解的开源 RAG引擎，它的特点是质量进，质量出。它为任何规模的企业提供了简化的 RAG 工作流程，结合了LLM以提供真实的问答功Neng，并由来自各种复杂格式数据的有根据的引用提供支持。

旧布,其实RAG还有其他一些含义，比如在纸制品行业可Neng指的是回收报纸，这是一种由旧报纸制成的再生纸张……但咱就是说在AI领域，RAG指的就是检索增强生成！哈哈！