RAG 工作原理

什么是 RAG？RAG 的全称是 Retrieval Augmented Generation，直译为检索增强生成，可以简单理解为检索后再生成，不是直接生成，这里检索的内容是指额外提供的知识库。

RAG 是为了解决什么样的问题而诞生的呢？ 大模型没有记忆，是一个概率模型，基于统计规律生成内容，就会出现一本正经地胡说八道，生成不符合事实的回答。为了让模型回答更准确，为模型提供实时准确的领域知识，开发小哥哥想到，可以将需要信息的作为文档和问题一起发给大模型。

这样问题似乎解决了，但是大模型对上下文窗口大小有限制，并且模型需要知道的信息可能只藏在文档的某些片段里，于是开发小哥哥又想到，可以把只和问题相关的信息发给大模型，这里需要解决的问题，变为怎么判断用户给出的文档哪些信息和用户问题是相关的呢？

先切分文档，再丢给 Embedding 模型，映射到向量空间，建立向量数据库。用户输入的问题即 Query，会出现语义表达不清或错别字的情况，要对 Query 改写，进行补全和纠错，然后也会向量化，按语义相似度检索和匹配，召回关联段落，就可以根据用户问题来匹配查找关联段落。（什么是 Embedding？这篇文章从词嵌入到心理理论：AI 为何能对话且被认为有心智有详细讲解，暂不赘述。）

从文档召回的关联段落和 Query 会打包在一起放到 Prompt 模板里，当然这里面也包含系统提示词、对话的上下文这些，一起发给大模型，这些打包的内容才被称为 Prompt，也是 Prompt 工程，然后大模型根据 Prompt 生成回答。流程如下图所示：

这里简化了很多技术细节，比如切分策略，检索方式，召回和排序模型等。每个节点都有可以优化的地方，从而提高 RAG 的性能和效果。

GraphRAG VS 传统 RAG

以上是传统 RAG 的实现流程，**GraphRAG 技术的流程会有所不同，它是基于知识图谱，通过实体（节点）和关系（边），图结构来检索信息，**也就需要单独建立知识图谱，实现实体识别和关系抽取，建立图数据库。构建知识图谱是离线批处理过程，消耗的推理和计算资源更昂贵和耗时。但是GraphRAG 能更好地发现深层关系、进行复杂推理和全局洞察。

传统 RAG 用语义相似性检索，更擅长事实性问答和语义搜索，偏重局部文本匹配，缺乏对整体数据的全面理解。如果你构建了一个大量公司财报的 RAG，你问，请从财报中找出正在提高 AI 营销预算同时削减传统广告预算的公司，它大概率无法给出你想要的答案。

一起来看看处理哪类问题时，传统 RAG 无法胜任。

问题类型 1：需要连点成线的多跳问题

• 具体问题：我们公司去年收购的那家初创公司的CEO，他之前还在哪家我们竞争对手的公司工作过？
• 处理过程：根据关键词去年收购，在《2023 年收购公告》中找到了被收购 的公司叫星辰科技，再根据关键词 CEO，在《星辰科技管理层介绍》文档找到了 CEO 叫张三，然后根据竞争对手，找到了 A 公司。信息都找到了，无法给出星辰科技的 CEO 张和A公司之间有什么关系。缺乏连接不同信息点的能力。
• 最终结果：它很可能会给你一份关于“星辰科技”的介绍，或者张三的简历片段，梳理出 A 公司这个答案需要靠自己。

问题类型 2：需要宏观总结的横向比对问题

• 具体问题：对比一下我们公司几款主力产品在过去三年里的主要技术路线差异
• 处理过程：根据关键词产品 A 找到《产品 A 2022年技术白皮书》、《产品 A 2023年更新日志》。根据关键词产品 B，它找到《产品 B 介绍》、《产品 B 技术规格》。不过没有一份份现成的文档叫做《我们公司所有产品三年技术路线对比.pdf》，也就难以直接用 RAG 做横向比对和归纳总结。
• 最终结果：LLM 可以根据找回的信息总结，但如果信息太散落在不同角落，总结会不完整或不准确，这类需要从大量分散信息中提炼共同点和差异点的问题，传统 RAG 处理得很吃力。

问题类型 3：需要洞察隐藏模式的关系挖掘问题

• 具体问题：我们发现最近客户投诉变多了，这些投诉主要都集中指向了哪个工作流程？这些投诉的客户有什么共同特征吗？
• 处理过程：根据关键词客户投诉，找到最近的投诉工单和客服记录。也能找到类似“客户XX抱怨物流慢”、“客户YY投诉安装复杂”这类投诉最多的记录。不过发现不了因果关系，比如，它看不出“80%抱怨物流慢的客户都来自华南区”，也看不出投诉安装复杂的客户大多是第一次购买的新用户。因为找不到客户和地区、客户和用户类型间的隐藏关系网络。
• 最终结果：它返回了最近的投诉记录，但无法告诉你背后的深层原因和模式。

理解了这些，也就理解了为什么在使用某些知识库产品，它常常不能很好地给出我想要的回答。也能理解，如何通过提示词的改进，来优化传统 RAG 返回的结果。

实操案例

• 搭建项目：名字生成器，根据《诗经》和《楚辞》选词来起名
• 搭建平台：coze https://www.coze.cn/studio?forceToStudio=true
• 知识库：《诗经》、《楚辞》
• 灵感来源：起名规则来源于开智学堂的阳志平先生的理念
• 项目链接：https://www.coze.cn/store/agent/7549484162747678771?from=bots_card&bid=6hkjptfkc7g0f

实现这个项目并不难，关键是做，需要做的只有 2 步，上传知识库+设置提示词。找到《诗经》和《楚辞》的电子资源，作为知识库，就准备好了名字的来源。可以在 coze 上搭建一个智能体，上传资源，coze 会自动帮你把上传的资源进行分段和 Embedding。

上传好以后，用提示词来明确起名规则就好。

起名规则有 5 条

1. 根据用户性别起名，选取不同的参考内容取词，男性选取楚辞，女性选取诗经
2. 根据用户性格起名，挑选符合性格特点的字词组合
3. 根据用户五行起名，挑选符合用户偏好五行的字词组合
4. 挑选的字词组合，需要综合考虑平仄、是否押韵，元音字母比例尽量多
5. 根据以上规则，需给用户提供 3 个符合要求的名字作为参考

将规则给到 coze ，优化后的提示词为：

##角色

你是一位备受尊崇、经验极为丰富的资深起名大师。你深入钻研并精通多种传统与现代起名理念，文字功底深厚，能精准且深入地剖析每个字词背后丰富的寓意，凭借精湛技巧巧妙搭配字词，打造出寓意美好且音韵和谐优美的名字，助力宝宝开启充满希望与美好的命运之旅。

##技能

###技能 1: 根据性别起名

1. 当用户明确告知宝宝性别为男时，利用搜索工具全面检索楚辞相关内容。起名时，综合考量元音字母比例、押韵规则、平仄搭配、五行平衡等多方面关键因素，审慎从楚辞中挑选合适字词进行合理组合，为用户提供 3 个名字作为参考。
2. 当用户明确告知宝宝性别为女时，借助搜索工具广泛搜索诗经相关内容。同样全面综合考虑元音字母比例、押韵特点、平仄规律、五行平衡等要点，细致地从诗经里选取恰当字词进行巧妙搭配，为用户给出 3 个名字以供参考。

###技能 2：根据平仄、押韵起名

1. 当用户提出根据平仄、押韵要求起名时，充分发挥专业知识，依据平仄规则、元音字母比例等要素，在丰富的字词库中精心选取并合理组合，为用户提供 3 个符合要求的名字作为参考。

###技能 3: 根据五行起名

当用户提供五行偏好时，熟练运用专业知识和搜索工具，深入透彻地分析五行相生相克原理。在此基础上，精准选取与之适配的字词进行巧妙合理组合，形成 3 个完全满足五行要求的名字作为参考。

###技能 4: 根据性格特点起名

当用户提供宝宝性格特点相关信息时，结合专业起名知识，从字词含义、音韵等方面综合考量，为用户提供 3 个符合性格特点的名字作为参考。

###技能 5: 避免重名

在选取名字后，运用搜索工具全面检索，从各维度判断所取名字是否与知名重要人物重名，同时分析名字是否过于大众、缺乏独特个性。若所取名字不符合要求，则重新严格筛选选取名字，确保最终为用户提供的 3 个名字既无重名情况，又具备一定独特性。

###技能 6: 处理起名特殊要求

如果用户提出除上述常规起名因素外的其他特殊要求，如名字需包含特定字、体现某种特定风格等，利用搜索工具广泛搜索相关信息，紧密结合专业起名知识，全面综合考虑这些要求，为用户给出 3 个符合要求的名字作为参考。

##限制:

• 交流内容必须严格限定在为宝宝起名字相关范畴内，不回答与起名无关的任何问题。
• 输出内容必须为 3 个名字作为参考，不可违背此格式要求。
• 输出的名字最多为 4 个字符。
• 所使用信息若来自外部搜索工具获取，需在回答中使用 ^^ 说明引用来源。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！