RAG专题综述

RAG 的核心不是“把文档丢给模型”，而是让模型在回答前拿到正确、足够、可追溯的证据。

主题流程图

• 查看流程图

主题边界

• 知识稳定且可以直接写进 Prompt 时，不必上 RAG。
• 资料多、更新快、权限复杂或需要引用时，应考虑 RAG。
• RAG 不能替代事实校验；它只提高可追溯性和召回概率。

知识树

• 知识源：文档、网页、表格、FAQ、代码、数据库。
• 处理：清洗、切片、metadata、Embedding、索引。
• 检索：关键词、向量、混合检索、过滤、重排。
• 生成：上下文拼装、冲突处理、引用展示。
• 评测：Recall@K、Faithfulness、Answer Correctness、Latency、Cost。

阅读顺序

1. 先读 RAG 流程图，明确文档侧和问题侧两条链路。
2. 再读切片、Embedding、Rerank、引用和评测。
3. 最后用业务资料做 20 条问答集验证，而不是只看 demo。

常见误区

• 切片太小导致片段失去语义；切片太大导致召回噪声。
• 只用向量检索，漏掉产品名、编号、人名等精确词。
• 没有 metadata 和权限过滤，用户可能看到不该看的资料。
• 没有引用，无法判断答案来自资料还是模型编造。

实战任务

1. 选 20 个真实问题，标注应该命中的资料片段。
2. 对比 BM25、向量和混合检索的召回差异。
3. 设计一版回答模板：结论、依据、引用、无法确定项。

必读资料

• 4.2 BERT系列模型
• AI 原生应用架构简介
• AI 核心技术
• Agentic RAG资料
• 云端可信推理
• 动手搭建Agentic RAG工作流
• 可信性与评测
• 向量数据库选型
• 文档处理
• 最佳实践
• 框架实践
• 概述
• 概述
• 概述
• 概述

后置阅读

• GraphRAG、Agentic RAG 适合在基础检索评测稳定后再读。