一、抛砖引玉
经过一段时间的接触，大型语言模型（llm），展现出了令人惊叹的文本生成、对话和推理能力。它们饱读诗书、才华横溢，能够就几乎任何话题进行流畅的对话。然而，这个天才有一个致命的弱点：它的知识完全来源于其训练数据，存在截止日期，并且它有时会为了保持对话的流畅性而“捏造”事实。这种现象在ai领域被称为“幻觉”或“胡说八道”。想象一下，你结合实际问了一个问题，最新的员工报销政策是什么，llm可能会根据它训练时学到的通用财务知识，生成一个看似合理但完全错误的答案，因为它根本“不知道”你们公司今年刚修改的具体规定，这种幻觉在医疗、法律、金融等高风险领域是绝对不可接受的。
正是为了解决这一核心问题，RAG技术应运而生。它本质上是一种为LLM“赋能”的框架，让其能够从外部、权威、最新的知识源中获取信息，并基于这些真实信息生成答案，从而大幅提高回答的准确性和可靠性。
二、什么是RAG
RAG，全称为Retrieval-Augmented Generation，即“检索增强生成”，是检索、增强、生成的完美融合。我们可以将其拆解为三个关键步骤来理解：
检索： 当用户提出一个问题时，系统不会直接让LLM回答。而是首先将这个问题的核心语义，在一个预先设定好的外部知识库（如公司文档、产品手册、最新网页文章等）中进行搜索，找到与问题最相关的文档片段。 增强： 将这些检索到的、包含真实信息的文档片段，与用户的原始问题“打包”在一起，组合成一个新的、内容更丰富的“提示”。这个过程相当于为LLM提供了答题的参考资料。 生成： 最后，将这个增强了背景信息的提示发送给LLM，LLM基于这些可靠的参考资料，生成最终答案。一个简单的类比：闭卷考试 vs 开卷考试
传统LLM（无RAG）： 像一场闭卷考试。模型只能依靠自己记忆（训练数据）中的知识来答题。一旦题目超出它的记忆范围或记忆模糊，它就可能会猜错或编造。 RAG+LLM： 像一场开卷考试。允许模型在答题时先去查阅指定的、权威的参考资料（外部知识库），然后基于这些资料组织答案。这样得出的答案自然更准确、有据可循。相比于另一种更新模型知识的方法——“微调”，RAG无需昂贵的重新训练成本，可以实时更新知识库，且答案的可追溯性更强，能知道答案来源于哪份文档，因此在实践中更具灵活性和成本效益。
三、RAG的核心组件
检索器： 通常由嵌入模型和向量数据库构成。嵌入模型负责将文本（无论是用户问题还是知识库文档）转换为数学意义上的向量，即一长串数字，这个向量可以代表文本的语义。向量数据库则存储了所有知识库文档的向量。检索的本质就是在这个向量空间中，快速找到与问题向量最相似的文档向量。 生成器： 即大型语言模型本身，它的角色是根据提供的资料“撰写”答案。四、RAG的工作流程
知识库预处理： 首先，将外部知识源（如PDF、Word、网页）进行分块，通过嵌入模型转换为向量，并存入向量数据库。这一步是离线完成的。 用户提问： 用户提出一个问题，例如：“我们公司2024年的带薪年假政策有什么变化？” 检索相关文档： 系统使用相同的嵌入模型将用户问题转换为向量，然后在向量数据库中进行相似度搜索，找出最相关的几个文档片段（例如，《2024年人力资源政策更新V2.0》中的具体条款）。 增强提示： 系统将这些检索到的文档片段和用户问题组合成一个结构化的提示，例如： “请严格根据以下参考资料回答问题：[参考资料开始]文档1：... 自2024年1月1日起，员工带薪年假天数将根据司龄计算：1-3年增至7天，3-5年增至10天...[参考资料结束]问题：我们公司2024年的带薪年假政策有什么变化？” 生成答案： LLM接收到这个增强后的提示，它会严格遵守参考资料的内容生成答案：“根据公司2024年最新政策，带薪年假天数有所增加。具体变化为：司龄1-3年的员工，年假天数增至7天；司龄3-5年的员工，年假天数增至10天...” 这样生成的答案不仅准确，还能注明来源，极大提升了可信度。原理流程图：
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
流程分析：
上述流程可以清晰地分为两个主要阶段：离线处理（知识库构建）和在线处理（用户查询应答）。
阶段一：离线处理 - 知识库构建
此阶段是准备工作，将原始知识源处理成可供快速检索的向量数据库，通常只需执行一次或在知识更新时重复执行。
1. 原始文档加载
从各种来源（如公司内部的PDF手册、Word文档、官网网页、Markdown文件等）加载原始文本数据。例如一家电商公司希望构建一个客服机器人，它加载了《退货政策文档》、《配送范围说明》、《最新促销活动页面》和《常见问题解答(FAQ)》作为其知识源。
2. 文档分割
使用文本分割器（如 RecursiveCharacterTextSplitter）将长文档切割成较小的、语义完整的“块”（chunks）。这是因为大语言模型（LLM）和嵌入模型都有输入长度限制，且小块信息更利于精准检索。例如一篇长达10页的《退货政策》被分割成多个小块，例如“7天无理由退货条件”、“退货物流流程”、“退款到账时间”等独立的段落。
3. 文本向量化 (Embedding)
使用嵌入模型（Embedding Model）将每个文本块转换为一个高维向量（即一组数字）。这个向量代表了文本的语义信息。语义相似的文本，其向量在空间中的距离也更近。例如文本块“退款通常需要1-7个工作日到账”和“请问我的退款多久可以到银行卡？”这两个语义相似的句子，经过嵌入模型转换后，它们的向量在数学空间中的“距离”会非常近。
4. 存入向量数据库
将所有文本块对应的向量以及原始的文本内容，存储到专门的向量数据库（如FAISS、Chroma、Pinecone）中。这种数据库针对“近似最近邻（ANN）”搜索进行了优化，能快速找到相似的向量。例如将所有关于退货、配送、促销的文本块向量存入数据库，构建成一个专属于该电商公司的“知识大脑”。
阶段二：在线处理 - 用户查询应答
此阶段是实时响应用户查询的流程，每次用户提问都会触发以下步骤。
1. 用户输入问题 (Query)
用户提出一个自然语言问题。例如用户问：“请问商品破损了，如何申请退货？”
2. 问题向量化 (Query Embedding)
使用同一个嵌入模型将用户的问题也转换为一个向量。例子：将“商品破损了，如何申请退货？”转换为一个向量。这个向量会与向量数据库中所有关于“破损退货”的文本块向量很相似。
3. 语义相似度检索
在向量数据库中进行相似度搜索（计算余弦相似度或欧氏距离），寻找与“问题向量”最相似的“文本块向量”（通常返回前k个，如前3个）。这一步是RAG的核心，它找到了回答问题最相关的原始材料。例如系统检索到最相关的文本块是：《退货政策》中的“商品破损退货流程”段落和FAQ中的“如何处理运输途中损坏的商品”。
4. 构建增强提示
将检索到的多个相关文本块（作为上下文背景）与用户的原始问题组合成一个新的、内容丰富的提示（Prompt），并发送给大语言模型（LLM）。这是“增强”的关键一步。例如组合成的提示可能看起来像这样：
“请严格根据以下背景信息回答问题：
[背景信息开始]
如收到商品破损，请拍摄破损部位照片，在订单页面提交退货申请并上传照片，审核通过后客服将联系您安排上门取件。
运输途中损坏的商品可全额退款，无需承担退回运费。
[背景信息结束]
问题：请问商品破损了，如何申请退货？”
5. 生成最终答案
LLM接收到这个“增强后”的提示，它会严格遵守提供的背景信息来组织语言，生成一个准确、可靠且流畅的自然语言答案。因为它有了“参考资料”，所以极大地避免了幻觉。
针对上一部的问题，LLM可能生成：
“1. 如果您收到的商品有破损，请按以下步骤操作：
2. 拍摄清晰的商品破损部位照片。
3. 登录您的账户，找到相应订单，提交退货申请。
4. 在申请中上传破损照片以供审核。
5. 审核通过后，我们的客服会联系您安排免费上门取件服务。您无需支付退回运费。”
（答案完全来源于知识库，且格式清晰）
6. 输出答案
将LLM生成的答案返回给用户，完成一次查询。
通过这个流程，RAG成功地将大语言模型的强大生成能力与外部知识源的准确性、实时性结合了起来，既利用了LLM的理解和表达能力，又将其“框定”在可靠的信息范围内，从而生产出既流畅又可信的答案。
五、基于RAG的问答系统
下面我们实现一个基于RAG的问答系统，结合前期的知识点，使用了阿里千问模型（qwen-max）作为生成模型，使用ModelScope的嵌入模型（damo/nlp_corom_sentence-embedding_chinese-base）来生成文本的向量表示，处理文本向量化，并使用FAISS作为向量数据库进行高效相似性检索，从而实现完整的RAG流程：文档处理→向量化→检索→增强提示→生成回答；
代码示例：<code class="javascript">import osfrom langchain_community.embeddings import HuggingFaceEmbeddingsfrom langchain_community.vectorstores import FAISS # 使用FAISS替代Chromafrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain_community.document_loaders import TextLoaderfrom langchain_core.prompts import ChatPromptTemplatefrom langchain.schema import Documentfrom typing import Listimport requestsimport jsonimport dashscopefrom dashscope import Generationfrom modelscope import snapshot_downloadfrom modelscope.models import Modelfrom modelscope.pipelines import pipelinefrom modelscope.utils.constant import Tasks# 配置阿里千问模型class QwenLLM: def __init__(self): # 设置阿里云API密钥 self.api_key = os.environ["DASHSCOPE_API_KEY"] # 从环境变量获取API密钥 dashscope.api_key = self.api_key # 设置dashscope的API密钥 def invoke(self, prompt: str) -> str: try: # 调用阿里千问大模型API生成回答 response = Generation.call( model="qwen-max", # 使用千问最大模型 prompt=prompt, # 传入提示词 temperature=0.1, # 低温度值使输出更确定性 top_p=0.9, # 核采样参数，控制生成多样性 result_format='message' # 返回消息格式 ) # 检查响应状态 if response.status_code == 200: return response.output.choices[0].message.content # 返回模型生成的内容 else: return f"请求失败: {response.message}" # 返回错误信息 except Exception as e: return f"请求异常: {str(e)}" # 返回异常信息# 从ModelScope下载并使用嵌入模型class ModelScopeEmbeddings: def __init__(self, model_name="damo/nlp_corom_sentence-embedding_chinese-base"): # 从ModelScope下载中文句子嵌入模型 self.model_dir = snapshot_download(model_name, cache_dir='D:\modelscope\hub\models') print(f"模型已下载到: {self.model_dir}") # 使用HuggingFaceEmbeddings包装ModelScope模型，使其兼容LangChain self.embeddings = HuggingFaceEmbeddings( model_name=self.model_dir, # 使用下载的模型路径 model_kwargs={'device': 'cpu'}, # 指定使用CPU设备 encode_kwargs={'normalize_embeddings': True} # 对嵌入向量进行归一化 ) def embed_documents(self, texts: List[str]) -> List[List[float]]: """将文档列表转换为嵌入向量""" return self.embeddings.embed_documents(texts) def embed_query(self, text: str) -> List[float]: """将查询文本转换为嵌入向量""" return self.embeddings.embed_query(text)# 初始化RAG系统def setup_rag_system(knowledge_texts: List[str]): # 1. 文本分割 - 将长文本分割成适合处理的小块 text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, # 每个文本块的最大字符数 chunk_overlap=50, # 块之间的重叠字符数，保持上下文连贯 length_function=len # 使用Python内置len函数计算长度 ) # 创建文档对象 documents = [] for i, text in enumerate(knowledge_texts): docs = text_splitter.split_text(text) # 分割文本 for doc in docs: # 创建LangChain文档对象，包含内容和元数据 documents.append(Document(page_content=doc, metadata={"source": f"doc_{i}"})) # 2. 初始化ModelScope嵌入模型 embeddings = ModelScopeEmbeddings() # 3. 创建FAISS向量数据库 - 高效的相似性搜索库 vectorstore = FAISS.from_documents( documents=documents, # 文档列表 embedding=embeddings.embeddings # 嵌入模型 ) return vectorstore, embeddings # 返回向量存储和嵌入模型# 构建RAG链def create_rag_chain(vectorstore, embeddings): # 创建检索器 - 用于从向量库中搜索相关文档 retriever = vectorstore.as_retriever( search_type="similarity", # 使用相似性搜索 search_kwargs={"k": 3} # 返回最相关的3个文档 ) # 定义提示模板 - 指导模型如何基于上下文回答问题 template = """ 你是一个专业的助手，请根据以下背景信息回答问题。 背景信息： {context} 问题：{question} 请根据背景信息提供准确、简洁的回答。如果背景信息中没有相关答案，请如实告知。 """ prompt = ChatPromptTemplate.from_template(template) # 创建提示模板 # 创建RAG处理函数 def rag_chain(question: str) -> str: # 检索相关文档 - 基于问题查找最相关的文档片段 relevant_docs = retriever.invoke(question) # 合并检索到的文档内容作为上下文 context = "</p><p>".join([doc.page_content for doc in relevant_docs]) # 构建提示 - 将上下文和问题填入模板 formatted_prompt = prompt.invoke({ "context": context, "question": question }) # 调用千问模型生成回答 qwen_llm = QwenLLM() response = qwen_llm.invoke(str(formatted_prompt)) return response, context # 返回模型回答和使用的上下文 return rag_chain # 返回RAG处理函数# 示例知识库数据knowledge_data = [ """ 人工智能发展趋势：2024年，生成式AI技术将继续快速发展，多模态能力成为重点。 企业应用AI的主要方向包括智能客服、内容生成、数据分析等。深度学习和神经网络 技术不断突破，大模型参数规模持续增长。 """, """ 公司规章制度：员工工作时间为每周5天，每天8小时。年假根据工龄计算，1-3年员工 享有5天年假，3-5年员工享有10天年假。所有员工需要遵守保密协议，不得泄露公司 商业秘密和技术信息。 """, """ 产品介绍：我司主要产品包括智能客服系统、企业知识管理平台和AI内容生成工具。 智能客服系统支持多渠道接入，能够自动回答常见问题，提升客户服务效率。知识管理 平台帮助企业构建专属知识库，实现知识的集中管理和智能检索。 """]# 初始化RAG系统print("正在初始化RAG系统...")vectorstore, embeddings = setup_rag_system(knowledge_data)rag_chain = create_rag_chain(vectorstore, embeddings)# 进行问答测试questions = [ "公司的年假政策是怎样的？", "智能客服系统有哪些功能？", "2024年AI发展趋势是什么？"]for question in questions: print(f"问题：{question}") answer, context = rag_chain(question) print(f"答案：{answer}") print(f"检索到的上下文：{context[:100]}...") # 只显示前100个字符</code> 代码结构说明：1. 导入必要的库。
2. 定义QwenLLM类：用于调用阿里千问模型生成答案。
3. 定义ModelScopeEmbeddings类：从ModelScope下载嵌入模型，并用HuggingFaceEmbeddings进行包装，处理中文文本嵌入，将文本转换为向量表示。
4. setup_rag_system函数：处理知识库文本，分割文本，初始化嵌入模型，创建FAISS向量数据库。初始化RAG系统，处理文档分割和向量库构建。
5. create_rag_chain函数：创建RAG链，包括检索器、提示模板和调用千问模型生成答案的函数。完整的RAG处理流水线。
6. 示例知识库数据：包含三个方面的文本。
7. 初始化RAG系统并进行问答测试。
注意：代码中使用了dashscope库调用千问模型，需要设置DASHSCOPE_API_KEY环境变量。
代码执行会先下载指定模型
<code class="javascript">正在初始化RAG系统...Downloading Model from ModelScope 魔搭社区 to directory: D:\modelscope\hub\models\damolp_corom_sentence-embedding_chinese-base2025-08-29 15:09:10,402 - modelscope - WARNING - Model revision not specified, use revision: v1.1.0模型已下载到: D:\modelscope\hub\models\damolp_corom_sentence-embedding_chinese-base问题：公司的年假政策是怎样的？答案：根据公司规章制度，年假政策如下：- 工龄在1至3年的员工享有5天年假。- 工龄在3至5年的员工享有10天年假。检索到的上下文：公司规章制度：员工工作时间为每周5天，每天8小时。年假根据工龄计算，1-3年员工 享有5天年假，3-5年员工享有10天年假。所有员工需要遵守保密协议，不得泄露公司 商业秘密和技术信息。...问题：智能客服系统有哪些功能？答案：根据背景信息，智能客服系统的主要功能包括：- **多渠道接入**：支持通过多种沟通渠道（如网站、社交媒体等）与客户进行互动。- **自动回答常见问题**：能够识别并自动回复客户的常见咨询，提高服务效率。这些功能旨在提升客户服务体验的同时，也帮助企业更高效地管理客户关系。检索到的上下文：产品介绍：我司主要产品包括智能客服系统、企业知识管理平台和AI内容生成工具。 智能客服系统支持多渠道接入，能够自动回答常见问题，提升客户服务效率。知识管理 平台帮助企业构建专属知识库，...问题：2024年AI发展趋势是什么？答案：2024年AI发展趋势主要体现在生成式AI技术的持续快速发展上，其中多模态能力成为重点发展方向。同时，深度学习和神经网络技术也将不断取得新突破，大模型的参数规模会继续增长。这些技术进步将推动企业在智能客服、内容生成、数据分析等领域的应用更加广泛和深入。检索到的上下文：人工智能发展趋势：2024年，生成式AI技术将继续快速发展，多模态能力成为重点。 企业应用AI的主要方向包括智能客服、内容生成、数据分析等。深度学习和神经网络 技术不断突破，大模型参数...</code>
六、RAG的应用场景
智能客服与问答机器人：电商、SaaS企业的客服系统。 企业知识库管理：任何拥有大量内部文档（操作手册、规章制度、项目报告）的大中型企业。 内容创作与市场研究：市场分析师、内容写手。可以让RAG系统先从最新的行业报告、财经新闻、财报电话会议记录中检索相关信息。LLM基于这些新鲜出炉的数据，帮助他生成一份论据充分、数据翔实的文章大纲或初稿，极大提升了研究效率和内容质量。 教育与个性化学习：在线教育平台，RAG系统可以从教科书、相对论科普文章、教学视频讲义等多样化资料中检索出最适合该学生理解水平的解释，然后让LLM整合成一个深入浅出的答案，从而实现因材施教。七、总结
RAG技术通过巧妙地结合信息检索与大型语言模型，为解决LLM的“幻觉”问题提供了一条高效且实用的路径。它极大地增强了AI在专业和实时领域应用的可靠性和可信度，是AI真正融入企业核心工作流的关键一步。
但RAG技术仍面临一些挑战和发展方向，如何更精准地找到最相关的片段、处理复杂多步问题的能力，简化多轮检索、多模态RAG，不仅能处理文本，还能理解图片、表格中的信息，以及溯源验证，如何更直观地向用户展示答案来源，确保透明度。所以我们广大的IT工作者，既是指引，也是被指引，技术永远革新，我们也会持续突破。加油，奥里给！
