Auto-sync

wiki/concepts/RAG.md

@@ -0,0 +1,43 @@
+---
+title: "RAG"
+type: concept
+tags: [rag, llm, retrieval-augmented-generation]
+sources: ["RAG从入门到精通系列1：基础RAG", "LLMs、RAG、AI Agent 三个到底什么区别？"]
+last_updated: 2026-04-15
+---
+
+## Definition
+Retrieval Augmented Generation（检索增强生成），一种将 LLM 与外部数据源（私有数据或最新数据）连接的通用方法。通过先检索后生成的模式，让 LLM 的回答有时事实依据。
+
+## Architecture
+三阶段管道：
+1. **Indexing（索引）**：文档加载→文本切分→向量化→存入向量数据库
+2. **Retrieval（检索）**：问题向量化→按相似度检索 Top-k 知识片段
+3. **Generation（生成）**：问题+知识片段→PromptTemplate→LLM 生成答案
+
+## Key Components
+| 组件 | 作用 | 示例工具 |
+|------|------|---------|
+| Document Loader | 加载外部文档 | LangChain 160+ 加载器 |
+| Text Splitter | 切分文档为 Split | RecursiveCharacterTextSplitter |
+| Embedding Model | 文本→向量 | BAAI BGE 系列 |
+| Vector Store | 存储+相似度检索 | Qdrant、Pinecone、Chroma |
+| LLM | 答案生成 | GPT-4、Claude、Qwen |
+
+## Technical Details
+- Embedding Model Context Window 通常 512~8192 token，需将长文档切分成满足长度限制的 Split
+- 相似度衡量方法：余弦相似度、点积、欧氏距离等
+- Retriever 可通过 LangChain 的 Retriever 接口统一抽象
+
+## Related Concepts
+- [[LLM]]：RAG 的生成层载体
+- [[Embedding]]：RAG 的核心技术，将文本转为数值表示
+- [[向量数据库]]：RAG 的存储层
+- [[AI知识库]]：RAG 的上层应用形态
+- [[Indexing]]：RAG 第一阶段
+- [[Retrieval]]：RAG 第二阶段
+- [[Generation]]：RAG 第三阶段
+
+## Sources
+- [[RAG从入门到精通系列1：基础RAG]]
+- [[LLMs、RAG、AI Agent 三个到底什么区别？]]