什么是检索增强生成 (RAG)?检索增强生成是如何实现的?

RAG 的核心实现流程

RAG 的典型流程可分为以下几个步骤：

1. 数据准备与向量化（一次性操作）

• 数据分块：将原始文档（如 PDF、网页、知识库等）切分为较小的文本片段，便于后续处理。

• 向量化处理：使用嵌入模型（如 OpenAI 的 text-embedding-ada-002 或 Hugging Face 的 sentence-transformers）将每个文本片段转换为高维向量表示。

• 存储于向量数据库：将生成的向量及其对应的文本片段存储在向量数据库中，如 Milvus、Weaviate、Pinecone 或 FAISS，以支持高效的相似度检索 。

2. 查询处理与检索

• 查询向量化：将用户的自然语言查询转换为向量表示。

• 相似度检索：在向量数据库中查找与查询向量最相似的 Top-K 文本片段，作为相关上下文信息。

3. 上下文增强与提示构建

• 构建增强提示：将检索到的文本片段与用户的原始查询组合，形成包含丰富上下文的提示（Prompt），以提供给语言模型。

4. 响应生成

• 生成回答：将增强提示输入到