核心内容摘要
78赛进13：一场史诗级对决的完整回溯，点燃你的篮球激情！
文章系统介绍RAG技术解决大模型知识滞后、幻觉生成和专业领域适配不足的痛点。
详述技术原理、Embedding模型选型、实战案例及优化技巧包括知识库构建、检索生成流程、Query改写等。
通过浦发银行案例展示DeepSeekFaiss本地检索系统实现为开发者提供可直接复用的技术框架与选型思路。
在大模型应用落地过程中“知识滞后”“幻觉生成”“专业领域适配不足”三大痛点始终制约着效果。
而检索增强生成RAG技术作为连接静态大模型与动态知识库的核心桥梁凭借实时性、高准确性、低改造成本等优势已成为企业级AI应用的标配方案。
本文将基于技术原理、核心模块、实战案例、优化技巧四大维度系统化拆解RAG技术为开发者提供可直接复用的技术框架与选型思路。
大模型应用开发的三大模式选型逻辑与适用场景大模型应用开发本质是通过不同手段让模型适配业务需求目前主流分为提示工程、RAG、微调三种模式三者无绝对优劣需根据业务场景动态选择。
**
**三种模式核心对比•提示工程Prompt Engineering无需修改模型参数通过优化输入指令引导模型生成结果。
核心优势是开发成本极低、迭代速度快适合简单场景、快速验证需求或模型能力边界探索。
局限性在于对指令设计能力要求高无法解决模型知识盲区问题且效果易受输入格式影响。
•检索增强生成RAG通过实时检索外部知识库补充上下文让模型基于“既有知识外部信息”生成答案。
优势是知识可动态更新、能溯源答案来源、减少幻觉适合需要实时信息、专业领域问答如法律、医疗、私有知识库交互场景。
局限性在于依赖知识库质量与检索精度需额外搭建检索体系。
•微调Fine-tuning基于特定数据集调整模型参数将知识内化为模型自身能力。
适合高频次、高相似度的专业场景如行业专属话术生成生成效果更稳定、响应速度更快。
局限性在于开发成本高需标注数据、算力资源、迭代周期长且知识更新需重新微调无法应对动态信息。
**
**选型决策树实际开发中可按以下逻辑选择① 需求是否依赖实时/动态知识是→RAG否→② 知识是否高频复用且场景固定是→微调否→提示工程。
若需兼顾专业度与动态性可采用“RAG微调”混合方案微调模型理解行业术语RAG补充实时信息。
RAG核心原理检索与生成的协同逻辑RAG的核心思想是“让模型只做擅长的生成任务将知识存储与检索交给专业体系”整体流程分为数据预处理、检索、生成三大核心步骤形成闭环链路。
**
**完整技术链路拆解Step 1**数据预处理****——**知识库构建的基础原始文档需经过“清洗-分块-向量化”三步转化为可检索的向量数据直接决定后续检索精度。
•知识库构建收集PDF、网页、数据库、文档等多源数据进行去重、去噪剔除无效格式、冗余内容、格式标准化处理。
例如法律场景需保留法条编号、医疗场景需提取核心症状与诊疗方案。
•文档分块策略核心是平衡“语义完整性”与“检索效率”常用三种策略递归字符分割主流按段落→句子→空格→字符优先级分割参数建议chunk_size
tokenschunk_overlap
tokens重叠部分避免语义断裂语义分块基于句子相似度或主题聚类分割适合长文档如论文、报告需依赖语义模型辅助滑动窗口分块固定窗口大小与步长遍历文本适合时序类文档如日志、新闻。
•向量化处理通过Embedding模型将文本块转化为高维向量通常为768/1024/3072维向量空间中距离越近表示语义越相似。
生成的向量需存储在向量数据库中支持高效相似度检索。
Step 2**检索阶段****——**精准定位相关知识接收用户查询后通过“query向量化→相似度检索→结果重排序”输出Top-K相关文本块K值通常取
过多易引入冗余信息。
•相似度计算主流采用余弦相似度衡量向量夹角适用于大部分场景欧氏距离适合低维向量场景点积适合归一化后的向量快速计算。
•重排序机制基础检索结果可能存在语义偏差需通过重排序模型如Cross-BERT、Sentence-BERT优化结合关键词匹配度、语义相关性综合打分提升Top结果精度。
Step 3**生成阶段****——**基于增强上下文输出答案将检索到的文本块与用户query组合为增强上下文按固定格式输入大模型生成兼顾准确性与逻辑性的答案。
上下文组装需遵循“query前置相关文本块按相关性排序格式标准化”原则避免模型忽略核心信息。
RAG****核心优势与不可替代性即便大模型支持无限上下文窗口RAG仍具备不可替代的价值•知识时效性大模型训练数据存在截止日期RAG可实时对接外部知识库如新闻、政策、行业动态无需重新训练模型•成本控制长上下文窗口会大幅增加Token消耗与推理时间RAG仅输入相关文本块可降低50%以上推理成本•可解释性生成答案可溯源至具体文本块解决大模型“黑箱问题”适合合规要求高的场景如金融、法律•数据隐私私有知识库可本地部署无需上传至云端模型规避敏感数据泄露风险。
Native RAG下一代RAG的优化方向传统RAG的索引、检索、生成三大环节相互独立存在语义偏差、检索精度不足等问题。
Native RAG通过“全链路协同优化”提升端到端效果核心是让检索与生成深度耦合而非简单拼接。
**
**三大核心优化维度•索引层优化突破传统单向量索引限制采用多向量索引每个文本块生成多个向量分别对应核心句、上下文、混合索引稠密向量稀疏向量结合兼顾语义与关键词匹配提升模糊查询与长文档检索精度。
•检索层优化引入自适应检索策略根据query类型如事实查询、推理查询动态调整检索方式与K值结合用户历史对话上下文优化检索结果相关性如上下文依赖型query需关联历史信息。
•生成层优化让生成模型反馈检索缺陷形成闭环优化。
例如模型识别到检索文本块信息不足时自动触发二次检索补充相关内容或对检索结果中的冲突信息进行标注引导模型谨慎生成。
Embedding模型选型从榜单到业务落地Embedding模型是RAG的“语义基石”其性能直接决定检索精度。
选型需结合业务场景语言类型、文本长度、硬件资源显存、算力、性能要求综合判断。
**
**核心评估指标与榜单参考Embedding模型性能可通过MTEBMassive Text Embedding Benchmark榜单评估核心指标包括•检索Retrieval衡量文本检索的召回率与精确率核心指标为MRR平均倒数排名、NDCG归一化折损累积增益•STS**语义文本相似度**衡量模型捕捉文本语义相关性的能力指标为皮尔逊相关系数•零样本任务Zero-shot衡量模型在未见过的任务上的泛化能力。
主流参考榜单Hugging Face MTEB Leaderboard覆盖1000模型、100语言可根据具体任务筛选最优模型。
**
**分类选型指南与代表模型模型类别代表模型核心特点适用场景硬件要求通用文本嵌入多语言BGE-M
multilingual-e5-large-instruct支持100语言长文本处理最长8192 tokens混合检索能力强跨语言检索、长文档处理、高精度RAGBGE-M
3
3G支持GPU/CPU部署通用文本嵌入轻量Jina-embeddings-v2-small、M3E-Base参数量小35M-
4G推理速度快RT50ms轻量化部署、实时推理、边缘设备应用CPU可运行显存要求2G中文优化嵌入xiaobu-embedding-v
stella-mrl-large-zh-v
3.
针对中文语义优化捕捉细微语义差异适配中文专业术语中文问答、法律/医疗中文检索、中文文本分析GPU4G显存或高性能CPU指令驱动型gte-Qwen
B-instruct、E5-mistral-7B支持复杂指令理解跨模态检索文本代码零样本表现优异复杂问答系统、指令驱动检索、企业级RAGGPU8G显存需算力支持商业化模型text-embedding-3-largeOpenAI、Cohere-embed-multilingual-v
0稳定性高长文本语义捕捉强API调用便捷全球化应用、英文优先场景、无需本地部署无硬件要求按调用量计费
实操代码示例BGE-M3与gte-Qwen2****示例1BGE-M3向量生成与相似度计算python from FlagEmbedding import BGEM3FlagModel # 加载模型use_fp16True加速推理精度略有下降 model BGEM3FlagModel(‘BAAI/bge-m3’, use_fp16True) # 待编码文本 sentences_1 [“What is BGE M3?”, “Definition of BM25”] sentences_2 [ “BGE M3 is an embedding model supporting dense retrieval, lexical matching and multi-vector interaction.”, “BM25 is a bag-of-words retrieval function that ranks documents based on query terms frequency.” ] # 生成向量dense_vecs为稠密向量sparse_vecs为稀疏向量可单独或混合使用 embeddings_1 model.encode(sentences_1, batch_size12, max_length
[‘dense_vecs’] embeddings_2 model.encode(sentences_
[‘dense_vecs’] # 计算余弦相似度矩阵矩阵乘法实现shape[len(sentences_
, len(sentences_
] similarity embeddings_1 embeddings_
T print(similarity) # 输出结果[[
626
3477] # [
3499
678 ]]示例2gte-Qwen2指令型向量生成python from sentence_transformers import SentenceTransformer import torch import torch.nn.functional as F # 加载本地模型需提前下载trust_remote_codeTrue允许加载自定义代码 model_dir “/root/autodl-tmp/models/gte_Qwen2-
5B-instruct” model SentenceTransformer(model_dir, trust_remote_codeTrue) model.max_seq_length 8192 # 调整最大输入长度 # 指令型query构建提升复杂任务检索精度 def get_instruct_query(task, query): return f’Instruct: {task}\nQuery: {query}’ task ‘Retrieve relevant passages for web search query’ queries [ get_instruct_query(task, ‘how much protein should a female eat’), get_instruct_query(task, ‘summit define’) ] documents [ “CDC recommends women aged
consume 46g protein daily; increase for pregnancy or marathon training.”, “Summit:
Top of a mountain;
Highest level;
Intergovernmental leaders’ meeting.” ] # 生成向量query需指定prompt_name“query”文档用默认设置 query_embeds model.encode(queries, prompt_name“query”) doc_embeds model.encode(documents) # 归一化向量后计算相似度提升结果稳定性 query_embeds F.normalize(query_embeds, p2, dim
doc_embeds F.normalize(doc_embeds, p2, dim
scores (query_embeds doc_embeds.T) * 100 # 转换为百分比分数 print(scores.tolist()) # 输出结果[[
7
4969,
1
0429], [
1
9245,
7
3796]]
实战案例DeepSeek Faiss搭建本地知识库检索系统以“浦发银行个金客户经理考核办法”PDF为例搭建本地RAG问答系统实现政策查询、答案溯源功能技术栈PyPDF2文本提取 DashScope Embedding向量化 Faiss向量数据库 DeepSeek-v3生成模型 LangChain流程编排。
**
**系统架构与技术选型理由•FaissFacebook开源向量数据库支持高效近似最近邻检索适配中小规模知识库百万级向量以内本地部署便捷无需额外服务依赖•DashScope text-embedding-v1阿里云开源嵌入模型中文语义适配性强推理速度快适合金融等专业领域•DeepSeek-v3代码与中文生成能力优异支持长上下文输入API调用成本低适合企业级场景•LangChain简化RAG流程编排提供现成的问答链、文本分割器降低开发成本。
**
**分步实现代码与关键说明Step 1**PDF文本提取与页码映射**核心是提取文本并记录每行对应的页码为后续答案溯源做准备解决原始代码中页码映射错误问题。
python from PyPDF2 import PdfReader from typing import List, Tuple import logging logging.basicConfig(levellogging.INFO) Logger logging.getLogger(__name__) def extract_text_with_page_numbers(pdf_path: str) - Tuple[str, List[int]]: “” 提取PDF文本并记录每行对应的页码 :param pdf_path: PDF文件路径 :return: 提取的文本、每行文本对应的页码列表 “” pdf_reader PdfReader(pdf_path) text “” page_numbers [] # 索引对应文本每行的页码 for page_idx, page in enumerate(pdf_reader.pages, start
: extracted_text page.extract_text() if not extracted_text: Logger.warning(fNo text found on page {page_idx}“) continue # 按换行符分割文本为每行分配当前页码 lines extracted_text.split(”\n) text extracted_text “\n” page_numbers.extend([page_idx] * len(lines)) return text.strip(), page_numbersStep 2**文本分割与页码修正**解决原始代码中“文本块与页码不匹配”问题通过字符位置定位文本块所属页码采用众数统计确定核心页码。
python from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.embeddings import DashScopeEmbeddings from langchain_community.vectorstores import FAISS import collections def process_text_and_build_kb(text: str, page_numbers: List[int], api_key: str) - FAISS: “” 文本分割、向量化构建FAISS向量知识库并修正页码映射 :param text: 提取的PDF文本 :param page_numbers: 每行文本对应的页码列表 :param api_key: DashScope API密钥 :return: FAISS向量知识库对象 “” # 文本分割器配置 text_splitter RecursiveCharacterTextSplitter( separators[“\n\n”, “\n”, “.”, “, “”], chunk_size1000, chunk_overlap200, length_functionlen ) chunks text_splitter.split_text(text) Logger.info(fText split into {len(chunks)} chunks”) # 初始化嵌入模型 embeddings DashScopeEmbeddings( model“text-embedding-v1”, dashscope_api_keyapi_key ) # 构建向量知识库 kb FAISS.from_texts(chunks, embeddings) # 修正页码映射为每个文本块找到对应的页码基于字符位置 chunk_page_map {} for chunk in chunks: # 找到文本块在原始文本中的起始位置 chunk_start text.find(chunk) if chunk_start -1: chunk_page_map[chunk] “Unknown” continue # 计算文本块包含的行数基于换行符 chunk_lines chunk.count(“\n”) 1 # 找到起始行对应的索引原始文本前chunk_start字符中的换行符数量 start_line_idx text[:chunk_start].count(“\n”) # 取该文本块覆盖行数的页码以众数作为最终页码 chunk_pages page_numbers[start_line_idx:start_line_idx chunk_lines] chunk_page_map[chunk] collections.Counter(chunk_pages).most_common(
[0][0] # 将页码映射存入知识库 kb.page_info chunk_page_map return kbStep 3**问答查询与结果展示**实现相似度检索、问答链调用、成本跟踪与页码溯源功能。
python from langchain_community.llms import Tongyi from langchain.chains.question_answering import load_qa_chain from langchain_community.callbacks.manager import get_openai_callback def rag_qa(kb: FAISS, query: str, api_key: str) - dict: “” RAG问答主函数 :param kb: FAISS向量知识库 :param query: 用户查询 :param api_key: DashScope API密钥 :return: 问答结果含答案、来源页码、成本 “” # 相似度检索Top 3相关文本块 relevant_docs kb.similarity_search(query, k
# 初始化LLM llm Tongyi( model_name“deepseek-v3”, dashscope_api_keyapi_key ) # 加载问答链采用stuff策略适合小批量文档 chain load_qa_chain(llm, chain_type“stuff”) # 执行问答并跟踪成本 with get_openai_callback() as cost: response chain.invoke({ “input_documents”: relevant_docs, “question”: query }) # 提取来源页码 source_pages set() for doc in relevant_docs: page kb.page_info.get(doc.page_content.strip(), “Unknown”) source_pages.add(page) return { “answer”: response[“output_text”], “source_pages”: sorted(list(source_pages)), “cost”: cost.total_cost }**
**
常见问题与解决方案•页码映射错误原始代码直接按索引匹配文本块与页码忽略分割后上下文断裂问题解决方案为通过字符位置定位文本块覆盖范围用众数统计确定页码•检索精度低可优化分块参数缩小chunk_size、调整overlap、更换更高性能的Embedding模型、添加重排序机制•答案冗余控制Top-K检索数量
为宜、优化上下文组装格式仅保留核心文本块、调整LLM生成Prompt要求简洁回答。
RAG优化技巧Query改写与联网搜索增强RAG效果的瓶颈往往在“检索”环节而Query改写与联网搜索能大幅提升检索覆盖度与时效性解决用户查询模糊、知识滞后问题。
Query****改写让检索更精准用户查询常存在口语化、模糊化、上下文依赖等问题需通过改写转化为“书面化、无歧义、高相关性”的检索语句常见类型与改写策略如下1五大常见Query类型及改写方法•上下文依赖型含“还有”“其他”等词汇需补充历史上下文。
例用户问“还有其他设施吗”上下文提及疯狂动物城园区设施改写为“除了疯狂动物城警察局、朱迪警官训练营和尼克狐的冰淇淋店之外疯狂动物城园区还有其他设施吗”•对比型含“哪个”“更”等比较词汇需明确对比对象。
例用户问“哪个更好玩”上下文提及两个园区改写为“上海迪士尼乐园的疯狂动物城主题园区和蜘蛛侠主题园区哪个更好玩”•模糊指代型含“它”“都”等指代词需替换为明确对象。
例用户问“都什么时候开始”上下文提及两地烟花表演改写为“上海迪士尼乐园和香港迪士尼乐园的烟花表演都什么时候开始”•多意图型含多个独立问题需拆分为单意图查询。
例用户问“门票多少钱需要提前预约吗”拆分为“上海迪士尼乐园门票多少钱”“上海迪士尼乐园门票需要提前预约吗”•反问型含“不会”“难道”等反问语气需转化为中立查询。
例用户问“这不会也要提前一个月预订吧”改写为“上海迪士尼乐园门票需要提前一个月预订吗”。
2自动意图识别与改写****Prompt通过LLM自动识别Query类型并改写提升适配性核心Prompt如下text ### 指令### 你是智能查询分析专家需识别用户查询类型并改写类型包括
上下文依赖型含还有“其他等需上下文理解的词汇
对比型含哪个”“比较”“更等比较词汇
模糊指代型含它”“都”“这个等指代词
多意图型含多个独立问题用”、“或”?“分隔
反问型含不会”难道等反问语气。
优先级多意图型模糊指代型其他类型按语义判断。
返回JSON格式{“query_type”:“类型”,“rewritten_query”:“改写后查询”,“confidence”:
} ### 对话历史### {conversation_history} ### 原始查询### {query} ### 分析结果###**
**联网搜索增强解决时效性知识需求对于实时性、动态性知识如天气、价格、活动本地知识库无法覆盖需通过“联网需求识别→Query改写→搜索策略生成→结果整合”增强RAG能力。
1联网需求识别条件当Query包含以下类型信息时触发联网搜索•时效性信息含“今天”“现在”“最新”等词汇•动态数据价格、营业时间、活动、天气、交通、预订政策、实时人流量•外部知识超出本地知识库覆盖范围的信息如行业新规、新闻事件。
2联网搜索策略生成通过LLM生成优化后的搜索Query、关键词、推荐来源与时间范围示例如下原始Query“下周六上海迪士尼门票多少钱需要提前多久预订”改写后搜索Query“2026年下周六上海迪士尼乐园门票价格及预订时间要求”关键词[“2026年下周六”, “上海迪士尼乐园”, “门票价格”, “预订时间”, “提前预订周期”]推荐来源[“迪士尼官方网站”, “携程/飞猪旅游平台”, “官方公众号”]时间范围最近7天确保信息时效性。
七、
总结与展望RAG技术通过“检索补全知识生成优化表达”的协同逻辑有效解决了大模型落地的核心痛点已成为AI应用开发的必备技术。
从技术落地角度需把握三大核心一是知识库构建分块、向量化、向量数据库选型二是检索精度优化Embedding模型选型、Query改写、重排序三是工程化适配本地部署、成本控制、结果溯源。
未来RAG技术将向“Native RAG全链路优化”“多模态RAG文本图片音频”“个性化检索结合用户画像”三大方向演进与微调、提示工程的融合将更紧密。
对于开发者而言掌握RAG技术不仅能提升大模型应用效果更能拓宽AI落地的业务边界适配更多专业场景与合规需求。
后续可结合具体业务场景尝试优化分块策略、自定义Embedding模型、搭建联网RAG系统逐步提升技术落地能力。
AI大模型从0到精通全套学习大礼包我在一线互联网企业工作十余年里指导过不少同行后辈。
帮助很多人得到了学习和成长。
只要你是真心想学AI大模型我这份资料就可以无偿共享给你学习。
大模型行业确实也需要更多的有志之士加入进来我也真心希望帮助大家学好这门技术如果日后有什么学习上的问题欢迎找我交流有技术上面的问题我是很愿意去帮助大家的如果你也想通过学大模型技术去帮助就业和转行可以扫描下方链接大模型重磅福利入门进阶全套104G学习资源包免费分享
从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点
AI大模型学习路线图还有视频解说全过程AI大模型学习路线
学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的
大模型面试题目详解
这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。
目前我正在和鲁博士共同进行人工智能的研究。
所有的视频由智泊AI老师录制且资料与智泊AI共享相互补充。
这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。
课堂上不光教理论还带着学员做了十多个真实项目。
学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。
零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。
业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。
获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】