检索增强生成（RAG）技术入门指南：从零构建你的第一个知识增强问答系统

1次阅读

共计 1732 个字符，预计需要花费 5 分钟才能阅读完成。

传统生成式模型（如 GPT 系列）存在两个核心问题：

知识更新延迟 ：模型训练后无法动态获取新知识，例如无法回答 2023 年后的事件
事实性错误（幻觉）：模型可能生成看似合理但实际错误的答案，在医疗、法律等专业领域风险极高

维度	纯生成模型	RAG 架构
知识时效性	固定于训练数据时间点	可随时更新外部知识库
事实准确性	依赖模型记忆，易产生幻觉	基于检索结果生成，准确性更高
计算成本	推理阶段成本较低	需额外支付检索和上下文注入成本
适用场景	开放域创意生成	需要事实准确性的专业问答场景

分块策略 ：
按固定字符数分割（适合技术文档）
按语义段落分割（使用 NLP 模型检测段落边界）
重叠分块法（相邻块保留 15% 重叠内容）
嵌入模型选型 ：
通用场景：text-embedding-ada-002（OpenAI）
中文优化：m3e-base（开源替代）

方案	特点	适用场景
FAISS	本地运行，毫秒级检索	中小规模数据（<100 万条）
Pinecone	全托管服务，自动扩缩容	生产环境大规模部署
Chroma	轻量级，支持持久化	快速原型开发

混合检索 ：结合稠密向量检索（语义匹配）和稀疏检索（关键词匹配）
重排序 ：使用 Cross-Encoder 对 Top- K 结果进行精确打分
元数据过滤 ：添加发布时间、文档类型等过滤条件

Prompt 模板设计 ：

template = """基于以下上下文，请用中文回答问题。如果不知道就说" 不清楚 "：上下文：{context}
问题：{question}
答案："""

温度参数控制 ：专业领域建议 temperature=0.3 降低随机性

基于 LlamaIndex + LangChain 的完整流程：

# 1. 初始化组件
from llama_index import VectorStoreIndex, SimpleDirectoryReader
from langchain.embeddings import OpenAIEmbeddings

# 2. 加载本地 PDF（需先安装 pypdf）documents = SimpleDirectoryReader("data/").load_data()

# 3. 构建向量索引（使用 FAISS 作为示例）index = VectorStoreIndex.from_documents(
    documents,
    embed_model=OpenAIEmbeddings())

# 4. 创建查询引擎
query_engine = index.as_query_engine(
    similarity_top_k=3,
    response_mode="compact"
)

# 5. 执行查询
response = query_engine.query("RAG 技术的核心优势是什么?")
print(response)