nexus/wiki/sources/rag-cong-ru-men-dao-jing-tong-xi-lie-1.md

title, type, tags, sources, date

title	type	tags	sources	date
RAG从入门到精通系列1：基础RAG	source	RAG LLM 检索增强生成 向量数据库	https://mp.weixin.qq.com/s/TlFNOw7_3Q8qywKLpVUmfg	2025-12-18

Summary

• 核心主题：RAG基础概念与实现流程
• 问题域：如何将LLM与外部数据源连接
• 方法/机制：Indexing → Retrieval → Generation三阶段流程
• 结论/价值：RAG是连接LLM与外部私有/最新数据的通用方法

Key Claims

• RAG = Retrieval Augmented Generation，将LLM与外部数据源连接
• 三阶段：Indexing（文档索引）、Retrieval（检索）、Generation（生成）
• Embedding Model将文本转为固定长度向量，受Context Window限制
• 向量数据库（Qdrant等）存储Embedding Vector并实现相似度检索
• LangChain/LlamaIndex等框架简化RAG流程

Key Concepts

• RAG（检索增强生成）：将LLM与外部数据源连接的通用方法
• Indexing：将外部文档切分并建立索引的过程
• Retrieval：根据问题语义向量检索相关文档
• Generation：将问题+知识片段输入LLM生成答案
• Embedding Vector：文本的数值表示，捕获语义信息
• Vector Store：存储Embedding Vector并实现相似度检索的数据库
• Context Window：Embedding Model能接受的最大token数

Connections

• RAG ← 包含 ← Indexing
• RAG ← 包含 ← Retrieval
• RAG ← 包含 ← Generation
• LLM ← 扩展 ← RAG

Contradictions

• 与LLM Wiki冲突：
  • 冲突点：知识获取方式
  • 当前观点：RAG从外部检索获取最新/私有数据
  • LLM Wiki观点：增量累积知识到内部记忆