核心内容摘要
【91荷花视频】解锁夏日风情，共赏亭亭玉立的绝美“荷”你
像GPT-4这样的大型语言模型LLM虽然能生成强大且通用的自然语言但也严重受限于训练数据的边界。
为解决这一问题近期业界热议基于RAG检索增强生成的系统——但究竟什么是RAG它能做什么为何值得关注本文将深入解析• RAG的核心原理• 如何实现基于RAG的LLM应用附完整代码示例什么是RAG检索增强生成Retrieval Augmented Generation, RAG是一种自然语言处理技术它使ChatGPT等大型语言模型LLM能够生成超出其训练数据范围的自定义输出。
没有RAG的LLM应用就如同要求ChatGPT
总结一封邮件却不提供邮件原文作为上下文。
RAG系统由两大核心组件构成检索器和生成器。
检索器负责从知识库中搜索与输入最相关的信息片段生成器则基于预定义的提示模板利用检索结果构造提示词序列最终生成与输入连贯且相关的响应。
优秀的RAG系统是优秀检索器与生成器协同工作的产物——这也是当前大多数LLM评测指标专注于评估检索器或生成器的根本原因。
以下是RAG架构的示意图一个典型的RAG架构在多数场景中知识库由存储于向量数据库如ChromaDB中的向量嵌入Vector Embeddings构成。
检索器的工作流程如下在运行时将用户输入编码为高维向量如使用OpenAI的text-embedding-3-small模型在向量空间中检索与输入向量最相关的Top-K结果注K为可调超参数通常取
根据余弦相似度或欧氏距离对结果进行排序距离越小相关性越高检索结果随后被处理成提示词序列传递至生成器——即你选用的LLM如GPT-
LlaMA 2等。
一个检索器对于技术上想了解的更加深入的用户下面是检索器用于提取高相关性结果的常用模型及其原理神经网络嵌入模型如OpenAI/Cohere的嵌入模型通过将文档映射到多维向量空间基于向量位置邻近度对文档排序。
该方法能理解输入文本与文档库之间的语义关联及相关性。
最佳匹配25BM25一种提升文本检索精度的概率检索模型。
通过结合词频term frequency和逆文档频率inverse document frequency量化词项重要性确保常见词与罕见词均影响相关性排序。
词频-逆文档频率TF-IDF计算词项在单个文档中的重要性相对于整个语料库。
通过对比词项在文档中的出现频率与其在语料库中的稀缺性生成全面的相关性排序。
混合搜索Hybrid Search为不同方法如神经网络嵌入、BM
TF-IDF分配差异化权重优化搜索结果的相关性。
应用场景检索增强生成RAG通过结合文本检索与生成能力提升响应质量已在多个领域实现广泛应用。
基于Confident公司与多家企业合作开发LLM应用的经验以下是排在前四的应用场景客户支持/用户引导聊天机器人• 从内部文档中检索数据生成个性化回复。
数据提取• 从PDF等文档中提取关键信息。
销售支持• 从LinkedIn个人资料及邮件历史中检索数据生成个性化外联消息。
内容创作与优化• 基于历史对话数据生成建议回复。
在接下来的章节中我们将构建一个通用问答QA机器人你可通过调整以下两个核心组件将其功能定制为前文所述的任意场景。
项目配置我们将基于你的专属知识库打造一个智能问答QA聊天机器人。
本文暂不涉及知识库的索引构建后续会单独详解重点聚焦机器人核心功能的实现。
我们将使用PythonChromaDB作为向量数据库OpenAI负责生成文本向量嵌入及对话补全整个项目将基于你指定的维基百科页面构建聊天机器人。
准备工作第一步新建项目目录并安装必要依赖库mkdir rag-llm-app cd rag-llm-app python3 -m venv venv source venv/bin/activate你的控制台现在应该是这样(venv)安装依赖pip install openai chromadb新建main.py文件项目的核心入口touch main.py获取API密钥访问 OpenAI平台获取API密钥如果还没有。
在终端中设置环境变量export OPENAI_API_KEY你的OpenAI_API密钥构建基于RAG的LLM应用首先创建一个检索器类Retriever用于根据用户问题从ChromaDB中检索最相关的数据。
操作步骤打开main.py文件粘贴以下代码import chromadb from chromadb.utils import embedding_functions import openai client chromadb.Client() client.heartbeat() class Retriver: def __init__(self): pass def get_retrieval_results(self, input, k): openai_ef embedding_functions.OpenAIEmbeddingFunction(api_keyyour-openai-api-key, model_nametext-embedding-ada-
collection client.get_collection(namemy_collection, embedding_functionopenai_ef) retrieval_results collection.query( query_texts[input], n_resultsk, ) return retrieval_results[documents][0]此处的openai_ef是 ChromaDB 内部使用的嵌入函数用于将输入文本转化为向量。
当用户向聊天机器人发送问题时系统会通过 OpenAI 的text-embedding-ada-002模型生成该问题的向量嵌入随后在 ChromaDB 的collection向量空间已包含你的知识库数据本教程默认你已完成数据索引中执行向量相似性搜索。
此过程可检索出与输入最相关的 Top K 条结果。
在定义完检索器后粘贴以下代码创建生成器class Generator: def __init__(self, openai_modelgpt-
: self.openai_model openai_model self.prompt_template Youre a helpful assistant with a thick country accent. Answer the question below and if you dont know the answer, say you dont know. {text} def generate_response(self, retrieval_results): prompts [] for result in retrieval_results: prompt self.prompt_template.format(textresult) prompts.append(prompt) prompts.reverse() response openai.ChatCompletion.create( modelself.openai_model, messages[{role: assistant, content: prompt} for prompt in prompts], temperature0, ) return response[choices][0][message][content]在generate_response方法中我们基于检索器提供的retrieval_results构建了多级提示模板。
这些提示被发送至 OpenAI 接口驱动大模型生成最终回答。
通过RAG 架构你的问答机器人能够融合检索结果与生成能力输出高度定制化的响应现在将所有组件整合形成完整流程class Chatbot: def __init__(self): self.retriver Retriver() self.generator Generator() def answer(self, input): retrieval_results self.retriver.get_retrieval_results(input) return self.generator.generate_response(retrieval_results) # Creating an instance of the Chatbot class chatbot Chatbot() while True: user_input input(You: ) # Taking user input from the CLI response chatbot.answer(user_input) print(fChatbot: {response})你已成功构建首个基于RAG检索增强生成的聊天机器人。
总结通过本文你已掌握RAG的核心原理融合检索与生成能力提升模型表现RAG的典型应用场景客户支持、数据提取、销售支持等RAG应用开发全流程从向量数据库搭建到生成逻辑集成不过你可能已发现自主构建RAG应用涉及复杂工程如数据索引、检索优化这并非易事。
幸运的是现有开源框架如LangChain和LlamaIndex能大幅简化开发流程助你快速实现本文演示的所有功能。
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2026 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
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
100本大模型方向电子书
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》。
600套技术大会 PPT听行业大咖讲实战PPT 整理自
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》。
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
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
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
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
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”
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】