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

title, type, tags, date

title	type	tags	date
RAG从入门到精通系列1：基础RAG	source	RAG LLM 教程	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