📊 RAG的核心流程
一个完整的RAG系统主要包含两个阶段：索引构建（离线） 和检索生成（在线）。
图表
代码
下载
全屏
检索与生成
索引构建
提供知识库
加载文档
文本切分
向量化
存储索引
用户提问
问题向量化
相似度检索
Prompt增强
LLM生成回答
索引构建（让机器理解你的文档）：
文档加载：读取PDF、Word、TXT等各种格式的文件-1-9。
文本切分：将长文档切成有意义的短块，比如按段落切分，确保每个小块语义完整，这是提升检索质量的关键-1-9。
向量化：用嵌入模型将每个文本块转换成数字向量，相当于给文本内容建立一个"语义坐标"-1。
存储：将向量存入专门的数据库，如开源的FAISS、Chroma或企业级的Milvus，以便后续快速查找-1-2-9。
检索与生成（回答用户问题）：
问题向量化：把你提的问题也转换成向量-1。
相似检索：在向量数据库中快速找到与问题向量最相似的N个文本块-1。
增强提示：将检索到的文本块和你的原始问题，一起放入精心设计的提示词中-1-9。
生成答案：大模型根据提示词中的参考资料来生成最终答案，回答会更准确、更有依据-1。
🚀 快速上手：搭建一个简易的RAG问答助手
下面用LangChain框架和Chroma向量数据库，演示一个极简的RAG实现-1。只需替换你的OpenAI API Key和文档路径即可运行。
python
复制
下载
# 1. 安装依赖库
# pip install langchain langchain-community langchain-openai chromadb
import os
from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain.chains import RetrievalQA
# 设置你的OpenAI API Key
# os.environ["OPENAI_API_KEY"] = "sk-..."
# --- 阶段一：索引构建（离线）---
# 1. 加载文档
loader = TextLoader("./my_document.txt") # 请替换为你的文件路径
documents = loader.load()
# 2. 切分文档
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = text_splitter.split_documents(documents)
# 3. 向量化并存储到Chroma
embeddings = OpenAIEmbeddings()
vector_store = Chroma.from_documents(chunks, embeddings)
# --- 阶段二：检索生成（在线）---
# 4. 创建检索器
retriever = vector_store.as_retriever()
# 5. 创建大模型
llm = ChatOpenAI(model_name="gpt-3.5-turbo")
# 6. 创建RAG链，自动完成检索->增强->生成
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=retriever
)
# 7. 提问！
query = "RAG的核心思想是什么？"
response = qa_chain.invoke(query)
print(response['result'])💡 进阶优化：如何让RAG效果更好？
基础的RAG能跑通，但想让它在实际业务中更精准、更稳定，可以从下面几个方面优化：
索引阶段：
优化切分策略：不要机械地按固定长度切分，可以按Markdown标题层级或语义边界（如段落）进行切分，保证语义完整性-1。
选对嵌入模型：针对中文或垂直领域（如金融、医疗），可以选择BGE-M3等专门优化的模型，能显著提升检索准确率-4。
检索阶段：
混合检索：将向量检索（理解语义）和关键词检索（如BM25算法，用于精准匹配）结合，可以大幅提升召回率，尤其适用于专业术语多的场景-2-4-9。
重排序：初次检索可以多召回一些结果（比如20个），然后用一个更强大的重排序模型（Reranker）对这20个结果进行精细排序，最后只把最相关的Top-K（比如5个）送给大模型，能有效提升最终答案质量-2。
生成阶段：
提示词工程：明确要求模型"仅根据以下内容回答"，如果找不到答案就说"不知道"，不要自己编造，这能有效减少幻觉-9。
🧪 实战案例：不同行业的RAG应用
RAG在各行各业都有落地方案，这里有几个典型案例供你参考：
行业应用场景核心痛点与方案效果政务政策咨询智能助手痛点：政策文件多、更新快，市民咨询量大。 方案：构建本地知识库，用RAGFlow等工具结合大模型API，实现精准问答-8-10。准确回答政策问题，减轻人工压力-8。金融智能投研分析痛点：研报、公告海量，分析师检索耗时。 方案：采用“关键词+向量”的混合检索架构，高效召回相关信息-2-4。资料检索时间从45分钟缩短至8分钟-4。医疗临床辅助诊断痛点：医学文献日新月异，关系复杂。 方案：采用“图谱增强RAG”，用知识图谱关联症状、药物、病史等信息，进行多跳推理-7。辅助基层医生，提升诊断符合率-7。IT代码风险识别痛点：人工审核代码效率低，难以覆盖所有风险。 方案：将历史资损代码向量化存入数据库，自动检索新提交代码的相似风险-2。自动化拦截风险代码，有效规避潜在损失-2。
