nexus/wiki/sources/RAG从入门到精通系列1基础RAG.md

title, type, tags, date, source, author

title	type	tags	date	source	author
RAG 从入门到精通系列1：基础 RAG 完全指南	source	RAG LLM 检索增强生成 Embedding 向量数据库 LangChain 教程	2025-01-16	https://mp.weixin.qq.com/s/	南七无名式

Source File

• raw/AI/RAG从入门到精通系列1：基础RAG.md

Summary

• 核心主题：RAG（检索增强生成）基础概念与三步流程（Indexing→Retrieval→Generation）详解
• 问题域：LLM 知识有截止日期且无法直接访问私有/最新数据，RAG 解决此信息缺失问题
• 方法/机制：外部文档→切分(Split)→向量化(Embedding)→存储向量数据库→用户提问→检索相关Chunk→输入LLM生成答案
• 结论/价值：RAG 是 LLM 连接私有知识的标准方案，基础 RAG 三步流程是所有高级 RAG 技巧的基础

Key Claims

• RAG 三步流程：
  1. Indexing（索引）：加载外部文档 → 切分为 chunks → 向量化 → 存入向量数据库
  2. Retrieval（检索）：用户问题向量化 → 从向量库检索 top-k 相关 chunks
  3. Generation（生成）：将问题+检索结果作为上下文输入 LLM → 生成最终答案
• Embedding（向量化）：将文本转为捕获语义的固定长度向量；余弦相似度计算相关性
• Chunking（切分）：Embedding 模型 context window 有限（512-8192 tokens），需将文档切分为满足窗口的 chunks
• LangChain：RAG 主流开发框架，160+ 文档加载器，支持多种向量数据库
• Embedding 模型选择：开源（BAAI 系列）为主流方案

Key Concepts

• RAG（检索增强生成）：解决 LLM 知识时效性和私有数据访问问题的标准方案
• Indexing：RAG 第一步，文档→chunk→vector→vectorDB
• Embedding：文本→语义向量的转换过程，是 RAG 检索的核心
• Chunking：将长文档切分为适合 embedding 模型 context window 的小块
• 向量数据库：存储 embedding vectors 的数据库，支持余弦相似度检索

Connections

• RAG ← is_composed_of ← Indexing + Retrieval + Generation
• Embedding ← is_step_in ← Indexing
• Chunking ← is_step_in ← Indexing

Contradictions

• （无已知冲突）