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

title, type, tags, sources, last_updated

title	type	tags	sources	last_updated
RAG从入门到精通系列1：基础RAG	source	rag llm retrieval-augmented-generation 向量数据库	https://mp.weixin.qq.com/s/TlFNOw7_3Q8qywKLpVUmfg	2026-04-15

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）的技术原理与工程实践
• 问题域：如何让 LLM 使用外部私有数据或最新数据
• 方法/机制：Indexing（文档加载→切分→向量化→存入向量库）→ Retrieval（问题向量化→相似度检索）→ Generation（问题+知识片段→PromptTemplate→LLM生成）
• 结论/价值：RAG 是连接 LLM 与外部数据源的通用方法，LangChain/LlamaIndex 等框架可简化管道构建

Key Claims

• LLM 本身不具备特定任务相关的私有数据或最新数据
• RAG 通过 Indexing-Retrieval-Generation 三阶段将外部数据连接到 LLM
• Embedding Model 的 Context Window 有限（512~8192 token），需将文档切分成 Split
• Vector Store 实现各种 Embedding Vector 相似度比较方法
• LangChain/LlamaIndex 框架可简化检索与生成链路的串联

Key Concepts

• RAG：检索增强生成，连接 LLM 与外部数据源的方法
• Embedding：将文本转为固定长度数值向量，捕获语义信息
• 向量数据库：存储 Embedding Vector，实现相似度检索
• Indexing：文档加载、文本切分、向量化、存入向量库的过程
• Retrieval：根据问题语义向量检索相似知识片段
• Generation：将问题+知识片段输入 LLM 生成答案
• LangChain：LLM 应用开发框架，支持 RAG 管道构建
• Token：模型处理文本的基本单位，英文3-4字母/中文1汉字 ≈ 1 token
• Context Window：Embedding Model 能接受的最大 token 数，通常512~8192
• Split/文档块：切分后的文档片段，满足 Embedding Model 长度限制

Key Entities

• LangChain：LLM 应用开发框架
• Qdrant：Rust 编写的开源向量数据库
• BAAI：开源 Embedding Model 提供方（如 BGE 系列）

Connections

• RAG ← 核心概念 ← LLM
• Embedding ← 核心技术 ← RAG
• 向量数据库 ← 存储层 ← RAG
• Indexing ← 第一阶段 ← RAG
• Retrieval ← 第二阶段 ← RAG
• Generation ← 第三阶段 ← RAG
• LLM ← 生成层 ← RAG