Auto-sync: 2026-04-18 12:03

wiki/sources/RAG从入门到精通系列1-基础RAG.md

@@ -0,0 +1,57 @@
+---
+title: "RAG从入门到精通系列1：基础RAG"
+type: source
+tags: [RAG, LLM, 教程]
+date: 2025-12-18
+---
+
+## Source File
+- [[raw/AI/RAG从入门到精通系列1：基础RAG.md]]
+
+## Summary
+- 核心主题：基础 RAG（检索增强生成）技术介绍
+- 问题域：LLM 如何使用外部数据（私有数据或最新数据）
+- 方法/机制：Indexing（索引）→ Retrieval（检索）→ Generation（生成）
+- 结论/价值：RAG 是连接 LLM 与外部数据源的通用方法，使 LLM 能基于外部知识生成回答
+
+## Key Claims
+- RAG 是一种将 LLM 与外部数据源连接的通用方法，允许 LLM 使用外部数据生成输出
+- 基础 RAG 流程包含三个核心阶段：索引构建、文档检索、答案生成
+- Embedding（向量化）将文本转为固定长度的数值向量，捕获文本语义
+- 文档需要切分成满足 Embedding Model Context Window 的 Split（文档块）
+- Vector Store（向量数据库）存储 Embedding Vector 并实现相似度比较
+- LangChain 和 LlamaIndex 框架简化了 RAG 管道的构建
+
+## Key Quotes
+> "RAG（Retrieval Augmented Generation，检索增强生成）是一种将 LLM 与外部数据源（例如私有数据或最新数据）连接的通用方法。它允许 LLM 使用外部数据来生成其输出。"
+
+## Key Concepts
+- [[RAG]]：检索增强生成，连接 LLM 与外部数据源的技术
+- [[LLM]]：大型语言模型，功能强大但不总是使用最新或相关数据
+- [[向量嵌入]]：将文本转换为数值向量，捕获语义信息
+- [[Token]]：模型处理文本的基本单位，中文约 1 token/汉字，英文约 1 token/3-4 字母
+- [[Vector Store]]：向量数据库，存储 Embedding Vector 并实现相似度检索
+- [[LangChain]]：简化 RAG 管道构建的框架
+- [[Qdrant]]：Rust 编写的开源向量数据库
+
+## Key Entities
+- [[LangChain]]：提供 160+ 文档加载器的 RAG 框架
+- [[Qwen]]：文中使用的 LLM 示例
+- [[BAAI]]：开源 Embedding Model 系列
+- [[PyTorch研习社]]：文章来源公众号
+
+## Connections
+- [[RAG]] ← depends_on ← [[向量嵌入]]
+- [[向量嵌入]] ← depends_on ← [[Token]]
+- [[LangChain]] ← implements ← [[RAG]]
+- [[Qdrant]] ← stores ← [[向量嵌入]]
+- [[Qwen]] ← provides ← [[LLM]]
+
+## Contradictions
+- （暂无）
+
+## 相关技术栈
+- **LLM**: Qwen
+- **Embedding Model**: BAAI 系列
+- **Vector Store**: Qdrant
+- **Framework**: LangChain