RAG（Retrieval-Augmented Generation，检索增强生成）技术通过检索增强生成，显著提升了知识问答的准确性和时效性。在构建知识库时，RAG通过向量数据库和动态更新机制，实现了高效的知识检索与生成；在构建知识图谱时，RAG通过GraphRAG和Graphusion等框架，实现了实体关系的精准抽取与图谱融合。

一、RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是什么？RAG是一种结合信息检索与文本生成的人工智能技术，旨在通过引入外部知识库，解决大语言模型的幻觉问题。

RAG的核心目标是让大语言模型（LLM）在回答问题时不再仅依赖训练时的固化知识，而是动态检索最新或特定领域的资料来辅助生成答案。

RAG结合了信息检索与生成模型，通过以下三阶段工作：

• 检索：从外部知识库（如文档、数据库）中搜索与问题相关的信息。

• 增强：将检索结果作为上下文输入，辅助生成模型理解问题背景。

• 生成：基于检索内容和模型自身知识，生成连贯、准确的回答。

  

  Prompt + RAG 如何实战？结合 Prompt 工程与 RAG（检索增强生成） 的实战应用需围绕数据准备、检索优化、生成控制等环节展开。

  一、数据准备与向量化

  1. 文档预处理与分块

  文档预处理通过多模态数据清洗、词形还原与依存句法分析实现文本规范化；分块环节采用递归分割与语义边界识别技术，结合知识图谱关联优化，构建动态重叠的上下文连贯单元，以平衡检索效率与信息完整性。

  
  # 依赖安装：pip install langchain langchain-text-splitters
  from langchain_text_splitters import RecursiveCharacterTextSplitter
  # 示例长文本（替换为实际文本）
  text = """自然语言处理（NLP）是人工智能领域的重要分支，涉及文本分析、机器翻译和情感分析等任务。分块技术可将长文本拆分为逻辑连贯的语义单元，便于后续处理。"""
  # 初始化递归分块器（块大小300字符，重叠50字符保持上下文）
  text_splitter = RecursiveCharacterTextSplitter(
      chunk_size=300,
      chunk_overlap=50,
      separators=["\n\n", "\n", "。", "！", "？"]  # 优先按段落/句子分界[2,4](@ref)
  )
  # 执行分块
  chunks = text_splitter.split_text(text)
  # 打印分块结果
  for i, chunk in enumerate(chunks):
      print(f"Chunk {i+1}:\n{chunk}\n{'-'*50}")

  2. 向量化与存储

  向量化通过Embedding模型将非结构化数据（文本、图像等）映射为高维语义向量，存储则依托专用向量数据库（如ElasticSearch的dense_vector字段、Milvus）构建高效索引（HNSW、FAISS），支持近似最近邻搜索（ANN）实现大规模向量数据的快速相似性匹配。

  
  # 依赖安装：pip install sentence-transformers faiss-cpu
  from sentence_transformers import SentenceTransformer
  from langchain_community.vectorstores import FAISS
  # 1. 文本向量化（使用MiniLM-L6预训练模型）
  model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
  embeddings = model.encode(chunks)
  # 2. 向量存储到FAISS索引库
  vector_db = FAISS.from_texts(
      texts=chunks,
      embedding=embeddings,
      metadatas=[{"source": "web_data"}] * len(chunks)  # 可添加元数据
  )
  # 保存索引到本地
  vector_db.save_local("my_vector_db")
  # 示例查询：检索相似文本
  query = "什么是自然语言处理？"
  query_embedding = model.encode([query])
  scores, indices = vector_db.similarity_search_with_score(query_embedding, k=3)
  print(f"Top 3相似块：{indices}")

  二、检索优化技术

  通过多路召回（如混合检索、HyDE改写、动态重排）提升查全率与排序质量，并利用上下文增强（知识图谱补充关系、指令级RAG动态生成Prompt）优化检索结果。

  三、Prompt 工程实践

  1. 结构化输入设计

  基于角色和场景进行约束，例如法律顾问角色与合同条款咨询场景，结合《民法典》第580条知识单元，通过“用户问题→检索知识→逻辑关联→生成答案”的思维链，分点解释并标注引用来源。

  2. 输出模版控制

  通过预设模板化输出框架确保格式规范，并设置动态防护栏机制过滤敏感词与校验事实一致性，实现内容生成的安全性与合规性。

  

二、知识库和知识图谱

知识库（Knowledge Base）是什么？知识库是结构化、易操作的知识集群，通过系统性整合领域相关知识（如理论、事实、规则等），为问题求解、决策支持和知识共享提供基础平台。

RAG构建知识库的核心在于将外部知识检索与大语言模型生成能力结合，通过高效检索为生成提供上下文支持，从而提升答案的准确性和时效性。（实战的重点在文本分块Chunking和向量化Embedding）

1. 文本分块（Chunking）

文本分块是将长文本分割为较小、可管理的片段，以便更高效地处理和分析。

2. 向量化（Embedding）

向量化是将文本或数据映射为高维向量空间中的数值表示，以捕获语义特征。

知识图谱（Knowledge Graph）是什么？知识图谱是一种通过实体与关系构建的语义化网络结构，支持推理与复杂查询，而传统知识库多以非关联的扁平化方式存储数据。

RAG构建知识图谱的核心是通过结合检索技术与大语言模型（LLM），将外部知识库中的结构化与非结构化数据整合为图谱形式。知识图谱为RAG系统注入结构化推理能力，使其从“信息检索器”进化为“知识推理引擎”。

RAG构建知识图谱的关键在于检索与生成的协同，其流程包括：

• 数据预处理：将文档分割为文本块（chunking），并通过命名实体识别（NER）提取实体与关系。
• 知识图谱索引：基于提取的实体与关系，构建初始知识图谱后，运用聚类算法（例如Leiden算法）对图谱中的节点进行社区划分。
• 检索增强：在用户查询时，通过本地搜索（基于实体）或全局搜索（基于数据集主题）增强上下文，提升生成答案的准确性。

  

更多精彩请移步主页简介，关注回复：977C  哈~