RAG 原理与实践
RAG 原理与实践
什么是 RAG？
RAG（Retrieval-Augmented Generation） 检索增强生成，是解决 LLM 知识局限性的核心技术。
用户问题
↓
Embedding 向量化
↓
向量数据库检索（Top-K 相关文档）
↓
将检索结果 + 原始问题组合为 Prompt
↓
LLM 生成回答Q: RAG 的核心组件有哪些？
| 组件 | 说明 | 常用工具 |
|---|---|---|
| 文档加载 | 解析 PDF/Word/网页等 | LangChain Loaders |
| 文档切分 | 按语义/大小切分 Chunk | RecursiveCharacterSplitter |
| Embedding | 将文本转为向量 | OpenAI/BGE/M3E |
| 向量数据库 | 存储和检索向量 | Milvus/Qdrant/Chroma |
| LLM | 生成最终回答 | GPT/Claude/Llama |
Q: Chunk 切分策略有哪些？
# 1. 固定大小切分
text_splitter = CharacterTextSplitter(
chunk_size=500,
chunk_overlap=50 # 重叠部分保证上下文连贯
)
# 2. 递归字符切分（推荐）
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=50,
separators=["\n\n", "\n", "。", "！", "？", " ", ""]
)
# 3. 语义切分（更智能）
# 基于语义相似度进行切分Q: 如何评估 RAG 的效果？
| 指标 | 说明 |
|---|---|
| Faithfulness | 回答是否忠实于检索内容 |
| Answer Relevancy | 回答是否切题 |
| Context Precision | 检索内容是否精准 |
| Context Recall | 相关内容是否被检索到 |
常用评估框架：RAGAS
Q: RAG 的常见优化手段？
- 查询重写：将用户问题重写为更适合检索的形式
- HyDE：先让 LLM 生成假设答案，再用答案检索
- 重排序（Rerank）：用 Cross-Encoder 对检索结果重新排序
- 多路召回：同时使用向量检索 + 关键词检索（BM25）
- 父子文档检索：小 chunk 检索，大 chunk 送给 LLM
面试 Tips：如果你的项目用了 RAG，一定要能说清楚 Chunk 大小的选择依据、Embedding 模型的选型理由、以及如何解决幻觉问题。