在AI技术飞速发展的当下，RAG（检索增强生成）作为实用的前沿技术，正助力高效构建高质量知识库。本文深入浅出地解析RAG的定义、优势、技术原理，从知识入库到检索的全流程，并结合公司考勤管理制度实例演示其应用，助你轻松掌握RAG技术，开启知识库建设新篇，快来一探究竟吧！

在AI应用领域，各种新技术新名词层出不穷，但最实用的技术莫过于RAG了。

相信稍微接触过AI的同学都不会陌生，但要想用好RAG，还是有一定门槛。

今天咱们就来聊一聊RAG。

Retrieval-AugmentedGenerationRAG是什么？

检索增强生成

Retrieval-AugmentedGeneration

一般用户在使用大模型的时候，其实只需要使用自然语言问问题，大模型就会返回相应的答案。

普通人使用大模型的方式

所以只要掌握好提示词工程，大多数场景就已经可以让大模型乖乖给你干活了。想了解提示词的同学，可以去看上一篇文章。

你真的会写提示词吗？高质量提示词指南来了！

但是大模型能回答的仅限于公域知识。如果你有一个私域文档，希望大模型根据文档的内容回答问题。要怎么搞？

也很简单，只要把文档丢给大模型让他参考就可以了。

带知识库的交互方式

比如，你有一个文档《公司考勤管理制度》，只需要把文档的内容全部复制粘贴到提示词中，并要求大模型参考知识回答问题即可。

但是，如果文档非常长，比如是一本书，没办法一次性丢给大模型参考，该怎么办？

这个时候就需要用到我们的RAG（检索增强生成）技术了。

RAG

核心是把知识进行模块化存储，使用时按需召回最匹配的知识并作为上下文提供给大模型。RAG的好处提高准确性

通过引用外部知识库，RAG能够弥补LLM在特定领域知识或最新信息方面的不足，从而提高生成响应的准确性。更新鲜的信息

RAG能够访问实时更新的外部数据源，使得模型生成的响应更加及时和符合最新情况。降低成本

与重新训练LLM相比，RAG是一种更具成本效益的方式来增强LLM的能力，因为它无需对模型进行大规模的重新训练。增强可解释性

RAG可以提供生成响应所依据的外部来源，增强了响应的可解释性和可信度。消除幻觉

基于确定性的知识能够让大模型的回答更加稳定，大幅度降低胡编乱造的可能性。RAG的技术原理

RAG技术入门非常简单，现在市面上很多的AI开发框架和智能体开发平台都内置了知识库能力，轻轻松松就可以搞出一个企业知识库，并且知识库的检索也能达到及格水平。

但AI技术的特点往往就是上手容易但深入困难，想要进一步优化你的私域知识库，就得适当了解RAG的技术原理，根据自己的实际情况选择更好的技术路径。

RAG的技术路径有很多种，但总体来说，可以划分为“知识入库”和“知识检索”两个大的板块。知识入库

知识入库质量的好坏，决定了知识检索的效果。

知识入库环节说明数据清洗去除无效数据，例如：外部链接、重复数据、特殊符号、无效信息等。数据分块针对不同的文档类型进行分块处理。比如按段落分块、按固定长度分块等。向量化把分块后的数据转化成向量并存储在向量数据库。

这里每一个步骤都足够复杂，咱们后面的系列文章会逐步进行讲解。知识检索

从向量数据库中查找对应的知识并作为上下文输入到大模型中。

知识检索环节说明向量检索把要检索的内容转化成向量，通过全文检索、稀疏向量检索、稠密向量检索等方式获得最相关的TopK个结果。重排通过对向量检索中召回的TopK歌结果进行二次精排和加工，最终找出最符合的几个结果。举个例子

现在有一个私域知识库文件

#第一条目的为规范员工考勤管理，维护正常工作秩序，保障企业和员工的合法权益，根据《中华人民共和国劳动法》及相关法律法规，结合公司实际情况，制定本制度。

#第二条适用范围本制度适用于公司全体正式员工、试用期员工及兼职员工。

#第三条标准工作时间公司实行标准工时制，工作日为周一至周五，每日工作时间为：上午09:00-12:00下午13:00-18:00（含1小时午休）。特殊岗位或因工作需要调整工作时间的，需经人力资源部审批后执行。

#第四条考勤方式员工需通过指纹打卡/人脸识别/企业微信签到等方式记录考勤，每日上下班各打卡一次。

一.数据清洗

删除文档中多余的链接、无效的文本、链接等。并且进行结构化的分段。方便后续分块。

清洗后的文档:

XXX公司考勤管理制度

#第一条目的为规范员工…

#第二条适用范围…

#第三条标准工作时间…

#第四条考勤方式员工需通过指纹打卡/人脸识别/企业微信签到等方式记录考勤，每日上下班各打卡一次。

因公外出或出差需提前提交《外出申请单》，经部门负责人审批后备案。…人力资源部XXXX年XX月XX日

二.数据分块

咱们采用根据段落分块，既每个段落作为一个独立的分块。#block_01XXX公司考勤管理制度#block_02第一条目的为规范员工…#block_03第二条适用范围本制度适用于…#block_04第三条标准工作时间公司实行标准工时制，工作日为周一至周五，每日工作时间为：上午09:00-12:00下午13:00-18:00（含1小时午休）。…#block_05…

三.向量化

使用嵌入模型（EmbeddingModel）把文档中的每个分块（block）转化成向量，并存储在向量数据库中。

转化后的向量大概长这样:

#block_01{context:‘XXX公司考勤管理制度’,vector:[0.11878310581111173,0.9694947902934701,0.16443679307243175,0.5484226189097237,0.9839246709011924,0.5178387104937776,0.8716926129208069,0.5616972243831446,…]}#block_02…

到这一步，我们的向量数据库中已经存储了完整的文档信息。

四.向量检索

现在用户问了一个问题:

公司的上班时间是?

首先需要把”公司的上班时间是?”也转化成向量：{context:‘公司的上班时间是?’,vector:[0.24878310581111173,0.5694947902934701,0.58943679307243175,0.2354226189097237,0.4469246709011924,0.3138387104937776,0.6786926129208069,0.4436972243831446,…]}

然后去向量数据库检索，得到如下结果:

[{id:“block_01”,context:“XXX公司考勤管理制度”,score:“0.7843”},{id:“block_05”,context:“公司考勤方式…”,score:“0.334”},{id:“block_04”,context:“第三条标准工作时间…”,score:“0.103”}]

其中score是当前分块与待查询值的距离，值越小，语义上越接近。

五.重排

其实经过第四步，就已经可以找到我们想要的数据了，但很多时候文档会召回大量非常相似的内容。

向量数据库检索的时候，为了性能会牺牲部分检索的精度，也就意味着可能会召回许多完全不相关的内容，那么这个时候就需要用到重排。

重排简单来说就是优中选优，从之前召回的内容中，选择更加符合要求的TopK个结果。

重排后的结果:[{id:“block_04”,context:“第三条，标准工作时间…”}]

六.大模型回答

有了知识库的筛选结果，那么只需要把结果返回给大模型，由大模型进行回复即可。

#Data第三条标准工作时间公司实行标准工时制，工作日为周一至周五，每日工作时间为：

上午09:00-12:00下午13:00-18:00（含1小时午休）。

#Source《XXX公司考勤管理制度》

#Question公司上班时间是？

#Answer工作日为周一至周五上午09:00-12:00下午13:00-18:00午休1小时。数据来源于XXX公司考勤管理制度。

结语

以上只是展示了最常见的RAG技术路径。虽然RAG技术的入门非常的简单，但达到一定的效果之后，想要再提升，就会遇到很多的问题和阻力。

本期文章只是开篇介绍，后续将深入介绍RAG的每个技术环节。

AI系列文章（持续更新）:

你真的会写Prompt吗？高质量提示词指南来了！

DeepSeek幻觉率高达21%？聊聊大模型的幻觉问题

天风证券：给予永艺股份增持评级　　天风证券股份有限公司孙海洋近期对永艺股份进行研究并发布了研究报告《海外制造布局优势或逐步显现》，给予永艺股份增持评级。　　永艺股份(603600)公司发布半年报　　25Q2公司营收12亿同减1%，归母净利0.7亿同减10%，扣非后归母净利0.8亿同减9%