RAG、MCP 和 FunctionCall 等都是 AI 的核心技術(shù)，同時也是面試中最長問的知識點，那么今天就來看下：RAG 技術(shù)及其執(zhí)行流程。

概述

RAG（Retrieval-Augmented Generation，檢索增強生成）是指在將原始問題發(fā)送給大語言模型之前，先通過外部知識庫將數(shù)據(jù)進行注入，之后先在知識庫中檢索相關(guān)信息，然后再將檢索結(jié)果和原始問題一起發(fā)送給大模型組織、整理答案的一種技術(shù)手段。

通過這種實現(xiàn)方式，大語言模型可以獲取到特定領(lǐng)域的相關(guān)信息，并能夠利用這些信息進行回復(fù)，從而降低了發(fā)生幻覺的可能性。

RAG 優(yōu)勢：

• 提高準(zhǔn)確性：通過引用外部知識庫，減少幻覺現(xiàn)象。
• 實時更新：允許模型訪問最新信息，解決知識局限性問題。
• 經(jīng)濟高效：與重新訓(xùn)練模型相比，降低了更新成本。

執(zhí)行流程

RAG 執(zhí)行流程通常分為以下兩個階段：

1.生成索引階段：這個階段通常包括文檔清理，以及分詞也就是將它們拆分為更小的數(shù)據(jù)塊，并把這些數(shù)據(jù)庫轉(zhuǎn)換成向量，最后存儲在向量數(shù)據(jù)庫的過程。

圖片

2. 檢索階段：使用用戶提出的問題，在向量數(shù)據(jù)庫中檢索查詢的過程。

圖片

整體執(zhí)行流程

圖片

使用場景

RAG 典型使用場景有以下幾個。

1. 企業(yè)級知識問答系統(tǒng)

• 場景：公司內(nèi)部文檔（如 HR 政策、技術(shù)手冊、客戶 FAQ）的智能問答。
• 痛點：傳統(tǒng) LLM 無法訪問非公開數(shù)據(jù)，且知識可能過時。
• RAG 作用：實時檢索內(nèi)部知識庫，生成準(zhǔn)確且可溯源的答案。

2.客服與技術(shù)支持

• 場景：電商、SaaS 產(chǎn)品的客戶支持（如訂單狀態(tài)查詢、故障排查）。
• 痛點：需依賴實時數(shù)據(jù)（訂單、庫存）和動態(tài)知識（如促銷規(guī)則）。
• RAG 作用：結(jié)合用戶實時數(shù)據(jù)（如訂單 ID）和知識庫，生成個性化回答。

3.醫(yī)療與法律咨詢

• 場景：輔助醫(yī)生查詢最新診療指南，或律師分析判例庫。
• 痛點：對事實準(zhǔn)確性要求極高，且知識需更新（如新藥品、法律條文）。
• RAG 作用：從權(quán)威數(shù)據(jù)庫（如 PubMed、法律條文庫）檢索證據(jù)，減少幻覺。

小結(jié)

RAG 是給大模型“外接”知識庫，讓大模型能夠更加精準(zhǔn)回答問題的一種技術(shù)實現(xiàn)手段。它的執(zhí)行主要分為兩個階段：索引生成階段（知識庫添加到向量數(shù)據(jù)庫的過程），檢索階段（根據(jù)用戶輸入信息在向量數(shù)據(jù)庫查詢結(jié)果的階段），當(dāng)然其中有一些執(zhí)行細節(jié)也需要了解并在面試中回答出來。