未命名文章
RAG 原理
RAG 的核心是先从知识库检索相关内容，再把检索结果作为上下文交给大模型回答，从而减少模型胡编，并让模型能回答私有文档里的问题。
[TOC]
RAG 是什么
RAG，全称是 Retrieval-Augmented Generation。
中文一般翻译为“检索增强生成”。
拆开看：
Retrieval：检索
Augmented：增强
Generation：生成
普通聊天是：
用户问题
-> 大模型
-> 回答
RAG 是：
用户问题
-> 检索知识库
-> 找到相关文档片段
-> 把片段和问题一起给大模型
-> 回答
重点是：
RAG 不是训练模型，而是在模型回答前给它补充上下文。
为什么需要 RAG
大模型有几个天然限制：
不知道你的私有文档
不知道公司内部数据
知识可能过期
容易编造不存在的细节
上下文窗口有限
不能直接翻完整资料库
RAG 的作用是把外部知识接进来。
比如你上传了：
产品手册
合同条款
接口文档
公司制度
课程笔记
项目 README
用户问：
这个系统的上传文件大小限制是多少？
RAG 会先检索相关片段，再让模型基于片段回答。
这样回答就不完全依赖模型记忆。
RAG 和普通 Chat 的区别
普通 Chat：
用户：接口超时是多少？
模型：根据已有知识猜一个答案
RAG：
用户：接口超时是多少？
系统：检索项目文档
文档片段：连接超时 3 秒，读取超时 30 秒
模型：根据片段回答
区别在这里：
普通 Chat：模型直接回答
RAG：模型基于检索上下文回答
所以 RAG 的质量不只取决于模型。
还取决于：
文档质量
解析质量
切片质量
Embedding 质量
检索质量
Prompt 质量
引用来源
RAG 基本流程
完整流程可以分成两条线。
先看整体图：
flowchart TD
A["用户上传文档"] --> B["解析文本"]
B --> C["清洗文本"]
C --> D["文档切片"]
D --> E["生成 chunk Embedding"] E --> F["存入向量数据库"]
G["用户提问"] --> H["问题生成 Embedding"] H --> I["向量检索相关 chunk"] I --> J["拼接上下文"]
J --> K["大模型生成回答"]
K --> L["返回答案和来源"]
F -. "提供检索数据" .-> I
第一条是入库流程：
上传文档
-> 解析文本
-> 清洗文本
-> 文档切片
-> 生成 Embedding -> 存入向量数据库
入库流程图：
flowchart LR
A["上传文档<br/>PDF / DOCX / MD / TXT"] --> B["解析文本<br/>Parser"]
B --> C["清洗文本<br/>Cleaner"]
C --> D["文档切片<br/>Chunker"]
D --> E["生成 Embedding<br/>Embedding Model"] E --> F["写入向量库<br/>Vector Store"]
F --> G["保存 metadata<br/>文件名 / 页码 / chunkIndex"]
第二条是问答流程：
用户提问
-> 问题生成 Embedding -> 向量检索相关 chunk -> 拼接上下文
-> 大模型生成回答
-> 返回答案和来源
问答时序图：
sequenceDiagram
participant U as 用户
participant API as RAG 服务
participant EMB as Embedding 模型
participant VS as 向量数据库
participant LLM as 大模型
U->>API: 提交问题
API->>EMB: 将问题生成 Embedding EMB-->>API: 返回问题向量
API->>VS: 按向量检索 topK chunks VS-->>API: 返回相关 chunks 和来源 metadata API->>API: 拼接上下文和 Prompt API->>LLM: 发送上下文 + 用户问题
LLM-->>API: 返回回答
API-->>U: 返回答案和来源
本节先理解原理。
后面会逐步做数据库、上传、解析、清洗、切片和 Embedding。
核心组件
一个 RAG 系统至少有这些组件：
Document：原始文档
Parser：文档解析器
Cleaner：文本清洗器
Chunker：切片器
Embedding Model：向量模型
Vector Store：向量库
Retriever：检索器
Prompt：问答提示词
LLM：生成模型
Source：来源信息
不要把 RAG 只理解成“向量数据库”。
向量数据库只是其中一部分。
如果文档解析和切片做得差，向量库再强也救不了。
最小组件关系图：
flowchart TD
DOC["Document<br/>原始文档"] --> PARSER["Parser<br/>文档解析器"]
PARSER --> CLEANER["Cleaner<br/>文本清洗器"]
CLEANER --> CHUNKER["Chunker<br/>切片器"]
CHUNKER --> EMB1["Embedding Model<br/>生成 chunk 向量"]
EMB1 --> STORE["Vector Store<br/>保存 chunk + metadata + embedding"]
QUESTION["用户问题"] --> EMB2["Embedding Model<br/>生成问题向量"]
EMB2 --> RETRIEVER["Retriever<br/>检索 topK chunks"] STORE --> RETRIEVER RETRIEVER --> PROMPT["Prompt<br/>上下文 + 问题 + 规则"]
PROMPT --> LLM["LLM<br/>生成回答"]
LLM --> SOURCE["Answer + Source<br/>答案和来源"]
Document 和 Chunk
Document 是原始文档。
比如：
合同.pdf
项目说明.docx
README.md
接口文档.txt
Chunk 是文档切出来的小片段。
比如一份 20 页 PDF，可能切成：
chunk 1：标题和第一段
chunk 2：第二段到第三段
chunk 3：接口说明
...
为什么要切片？
因为：
模型上下文有限
向量检索需要较小片段
整篇文档太大不方便匹配
用户问题通常只对应部分内容
Chunk 太大：
检索不精准
上下文浪费
模型容易抓不到重点
Chunk 太小：
上下文断裂
答案缺少前后关系
检索结果碎片化
所以后面会重点讲切片。
Embedding 是什么
Embedding，中文一般翻译为“向量表示”。
它会把文本变成一串数字。
比如：
"什么是 RAG？"
-> [0.12, -0.03, 0.88, ...]
语义相近的文本，向量距离通常更近。
例如：
"文件上传限制是多少？"
"最大文件大小是多少？"
这两个句子字面不完全一样，但语义相近。
Embedding 可以帮助系统找出相关文档片段。
Vector Store 是什么
Vector Store，中文可以理解为“向量存储”或“向量数据库”。
它负责存：
chunk 文本
chunk metadata
chunk embedding
然后根据问题向量做相似度搜索。
常见选择：
pgvector
Milvus
Qdrant
Weaviate
Chroma
Elasticsearch dense_vector
本路线先以 PostgreSQL + pgvector 为主。
原因是：
容易本地启动
和业务数据库接近
SQL 好理解
后续能加 metadata 过滤
适合学习阶段
Retriever 是什么
Retriever，中文可以理解为“检索器”。
它负责把用户问题变成检索结果。
最小逻辑：
用户问题
-> 生成问题向量
-> 向量库相似度搜索
-> 返回 topK chunks
topK 表示返回最相关的前 K 条。
比如：
topK = 4
表示拿 4 个相关片段给模型。
检索器后面还可以加：
metadata 过滤
关键词检索
混合检索
重排序
权限过滤
本节先理解最小检索。
RAG Prompt
RAG 的 Prompt 通常包含：
角色说明
回答规则
检索上下文
用户问题
无法回答时的兜底
引用来源要求
示例：
你是一个知识库问答助手。
请只根据给定的上下文回答问题。
如果上下文中没有答案，请回答“根据已上传资料无法确定”。
不要编造上下文之外的信息。
上下文：
{context}
用户问题：
{question}
这条规则很重要：
如果上下文中没有答案，不要编造
否则 RAG 也会变成普通 Chat。
来源信息
RAG 项目最好返回来源。
比如：
{
"answer": "上传文件大小限制是 20MB。",
"sources": [ { "documentName": "接口文档.md",
"chunkIndex": 3, "page": 2 } ]}
来源的作用：
用户能核对
开发能排查
减少胡编风险
方便后续做引用跳转
如果只返回答案，不返回来源，很难判断答案是否可信。
最小 RAG 伪代码
先看整体伪代码：
question = "文件上传大小限制是多少？"
query_vector = embedding_model.embed_query(question)
chunks = vector_store.similarity_search(
query_vector, top_k=4,)
context = "\n\n".join(chunk.text for chunk in chunks)
prompt = f"""
请只根据上下文回答问题。
上下文：
{context}
问题：
{question}
"""
answer = llm.invoke(prompt)
真实项目会多很多细节。
但主线就是这几个步骤。
项目边界
本节要先确定项目边界。
建议第一个 RAG Demo 只做：
上传 PDF / DOCX / MD / TXT解析成纯文本
切成 chunk生成 embedding存 pgvector根据问题检索 topK模型基于上下文回答
返回来源
先不做：
复杂权限
多租户
图片 OCR表格结构化抽取
多模态检索
知识图谱
自动评测平台
大规模分布式索引
边界越清楚，第一版越容易跑通。
RAG 失败的常见原因
常见问题：
文档解析丢内容
页眉页脚干扰太多
chunk 切得太碎
chunk 切得太大
embedding 模型不适合中文
topK 太少
检索结果没有来源
Prompt 没要求基于上下文回答
上下文太长导致重点被稀释
没有处理“找不到答案”
排查顺序：
先看原文是否解析正确
再看 chunk 是否合理
再看检索结果是否相关
最后看模型回答是否遵守上下文
不要一出问题就换模型。
RAG 的很多问题在模型之前就已经发生了。
排查流程图：
flowchart TD
A["RAG 回答效果差"] --> B{"原文解析正确吗？"}
B -- "否" --> B1["修复 Parser<br/>检查 PDF / DOCX / Markdown 解析结果"]
B -- "是" --> C{"chunk 合理吗？"}
C -- "否" --> C1["调整切片策略<br/>chunk size / overlap / 按标题切分"]
C -- "是" --> D{"检索结果相关吗？"}
D -- "否" --> D1["优化检索<br/>embedding 模型 / topK / metadata 过滤 / 混合检索"]
D -- "是" --> E{"Prompt 约束清楚吗？"}
E -- "否" --> E1["强化 Prompt<br/>要求基于上下文回答并返回来源"]
E -- "是" --> F{"来源足够支撑答案吗？"}
F -- "否" --> F1["补充资料或扩大检索范围"]
F -- "是" --> G["再检查模型输出<br/>是否需要更强模型或人工校验"]
常见问题
RAG 是不是微调
不是。
微调会改变模型参数。
RAG 不改变模型参数，只是在回答时提供外部上下文。
RAG 能保证答案一定正确吗
不能。
RAG 只能提高可追溯性和事实相关性。
仍然需要：
好的文档
好的切片
好的检索
好的提示词
必要的人工校验
文档要不要全部塞给模型
不要。
应该先检索，再只放相关片段。
否则上下文太长、成本高、噪声大。
为什么要返回来源
因为 RAG 的可信度来自“答案能回到资料”。
没有来源，用户只能相信模型。
有来源，用户可以核对。
练习清单
完成几件事情：
能解释 RAG 是什么
能画出入库流程
能画出问答流程
能解释 Document 和 Chunk能解释 Embedding能解释 Vector Store能解释 Retriever能写一个 RAG Prompt能说明 RAG 和普通 Chat 的区别
能列出第一版项目边界
建议目录：
ai-agent-study
├── docs
│ └── rag-principle.md
├── java
│ └── rag-api
└── python
└── rag-service
小结
本节的结论：
RAG 的本质是“先检索，再生成”，不是让模型凭空记住你的资料。
入库链路：
文档
-> 解析
-> 清洗
-> 切片
-> Embedding -> 向量库
问答链路：
问题
-> 检索 chunk -> 拼上下文
-> 模型回答
-> 返回来源
后面会按这条链路逐步实现。