RAG 知识库全链路：文档摄入、向量检索、生成问答、引用溯源

难的是把它们全部串起来同时把每个环节douZuo到够好：切块参数调对了文档分类Zuo准了工程化Zuo稳了这些加在一起，才是一套真正Neng用的 RAG 系统。

大模型容易「幻觉」，编造kan起来合理但不准确的答案

实际上，RAG 效果的上限，90% 取决于切块质量。

原理不复杂：把一段文字，通过神经网络压缩成一个固定维度的浮点数数组。核心特性是：语义越相近的内容，向量方向越接近。

这就是语义检索的根基。「候选人会 Python 后端开发」和「应聘者具备 Python 服务端编程技Neng」，在向量空间里的方向非常接近，即使用词完全不同，检索时也Neng互相命中。这是关键字搜索永远Zuo不到的。

子块：语义精准，用于检索命中

无法追溯答案来源，用户不知道该不该信

向量数据库解决的是「怎么存、怎么查」，Embedding 模型解决的是「文字怎么变成向量」。

1183:1)数据摄取与知识库构建:从企业文档网页抓取、API集成及定制化内容中收集并预处理多样化数据集,构建供AI调用的综合知识库。.3)检索过程:系统从知识库中检索相关文档或信息,采用语义搜索、向量搜索等先进技术确保定位Zui相关内容,并通过排序算法优先呈现高关联度结果。.

下面按 从文档到答案 的顺序,把 RAG 的落地全链路讲清楚。.文档丢进向量库,问题一问就Neng答,还Neng带出处。.62:04 一个 可复制 的落地套路.

对高价值、格式复杂的文档，用 LLM 直接判断语义边界来切块，效果Zui好，但成本高，适合文档少但质量要求极高的场景。

有了分类，检索时Ke以定向召回 —— 用户问简历相关的问题，只在简历里找，不会把技术文档的内容混进来。

说实话，你有没有想过为什么百度不收录一些网站？主要是因为那些网站的内容质量不高，或者结构设计得不够友好，导致搜索引擎难以抓取和理解。

模型选型上，我们用阿里云百炼 text-embedding-v3，输出 1024 维稠密向量。选它的原因hen务实：

父块：上下文充足，命中子块后返回对应父块给大模型

多智Neng体架构：智Neng体协作、任务编排、工具调用

零部署成本，API 调用即用，不用配 GPU 环境

工程化重构的核心是分层解耦，我们把代码拆成两层：

文件格式用字典策略模式适配：

parsers = {    ".pdf": parse_pdf,    ".docx": parse_docx,    ".txt": parse_txt,}parse_fn = parsers.get

PDF → 按页切

就算你把文档粘贴进去，超长内容超出上下文限制

response = TextEmbedding.call# 按 text_index 重排，保证顺序和输入一致embeddings = sorted

docker run -d --name qdrant -p 6333:6333 \ -v %USERPROFILE%\qdrant_storage:/qdrant/storage qdrant/qdrant 细节决定成败：如何Zuo好切块？

① chunk_size + overlap每块Zui多 512 个字符，相邻块之间保留 128 个字符的重叠。重叠的意义一个不争的事实摆在所有工程师面前：大量的企业知识沉淀在Office文档 中。 ：为什么DOCX是RAG落地 的Zui后一公里？