【小白教程】手把手教你不同段位的RAG选择，零基础小白收藏这一篇就够了！！-优快云博客

本文链接：https://blog.youkuaiyun.com/Android23333/article/details/149503724

一、RAG的核心价值

通过提供额外信息，让模型从“闭卷考试”变成“开卷考试”，显著提升回答质量

1.1 解决时效性问题

让模型知道“今夕是何年”
典型场景：查询天气/新闻/最新事件
避免因预训练数据过时导致错误

1.2 引导模型按需回答

精准应答（客服场景）：
- 用户问“你们产品怎么样？” → 提供品牌资料
- 输出：产品优势+购买建议（非幻觉或随机差评）
知识扩充（专业场景）：
- 当问题超出预训练数据范围 → 检索文档补充深度知识

二、Naive RAG：四大核心问题与解决方案

2.1 什么时候搜？——避免无效搜索

问题本质

▸ 非所有query需搜索（如“你好”）

▸ 盲目搜索增加成本且干扰回答

解决方案

检索判别模型：
- 判断逻辑：时效性/专业性问题优先
- 数据准备：将“无资料难答好”的query作正例
- 效果：85%+准召率
阈值调节技巧：
- 推理时调低阈值（如>0.4即检索）
- 原则：宁可误搜，不可漏搜（后续可修正）
业务设计：
- 专业知识库场景默认全搜（如医学RAG）

优化补充（来自原文2.5）

嵌入模型更新 → 提升粗召效果
大模型改写query → 增强可解释性

记忆点：先判再搜，宁滥勿缺

2.2 搜什么？——优化搜索Query

问题本质

▸ 用户Query含糊/指代/多跳（如“后天呢？”→“后天天气？”）

解决方案

基础方案：改写模型转自然语言为搜索关键词
高级方法：
方法原理适用场景
HyDE 生成假设答案段落匹配文档开放域搜索
Query2Doc 改写成伪文档格式结构化数据库
强化学习优化根据反馈学习高效query 传统搜索引擎

方法	原理	适用场景
HyDE	生成假设答案段落匹配文档	开放域搜索
Query2Doc	改写成伪文档格式	结构化数据库
强化学习优化	根据反馈学习高效query	传统搜索引擎

记忆点：优化问题，模型搜得精准

2.3 怎么搜？——分块与排序策略

问题本质

▸ 文档分块/特征提取/排序方式影响结果

分块经验

文档类型	分块策略	原因
知识类（维基百科）	按段落切分	每段解释独立问题
论文/文献	较大块（≥1024token）	保留上下文逻辑
小说	块间重叠设计	避免故事线断裂

排序优化

精排方法对比：
类型原理成本代表工具
Pointwise 单文档绝对打分低 BGE模型
Pairwise 两两比较排序高需交换位置验证
Listwise LLM直接全排序中 RankGPT

类型	原理	成本	代表工具
Pointwise	单文档绝对打分	低	BGE模型
Pairwise	两两比较排序	高	需交换位置验证
Listwise	LLM直接全排序	中	RankGPT

记忆点：小块粗召，精排定序

2.4 怎么用？——模型处理搜索结果

问题本质

▸ 长文本忽略中间内容（Lost in Middle）

▸ 无关/缺失文档导致幻觉

解决方案

位置优化：精排高分文档放输入首尾
抗幻觉训练：
- 微调模型学会忽略错误文档
- Reasoning模型逐步分析结果（需合成训练数据）
多模态扩展：图文结合（如Caption转文本）

典型风险案例（来自原文2.4）

当要求模型回答“日本和韩国人口”，但只检索到日本数据时：

Qwen/DeepSeek-R1可能幻觉编造韩国数据

解决方案：明确提示模型“资料缺失时需声明”

记忆点：关键信息放两头，领域微调抗幻觉

三、Graph RAG vs Naive RAG

3.1 核心区别

维度	Naive RAG	Graph RAG
适用场景	答案在1-2个文档片段	答案需关联多个实体
工作原理	分块检索返回段落	构建知识图谱关联关系
优势	简单高效、成本低	全局视角、逻辑推理强
劣势	无法处理跨文档问题	构建成本高、更新复杂

3.2 典型案例对比

Naive RAG失败场景：
任务：总结小说主人公一生

问题：检索返回零散段落 → 模型“读不完”整书 → 回答支离破碎
Graph RAG成功场景：
同一任务解法：
1. 入库构建人物关系图谱（主角→事件1→事件2）
2. 模型直接查询图谱 → 流畅总结

3.3 关键结论

Naive RAG短板：答案分散时=“盲人摸象”
Graph RAG代价：构建图谱=付**“预付费”**（前期烧钱，后期高效）
终极方案：二者混合使用。

记忆口诀：

“答案集中用Naive，分散关联上Graph；

不差钱就Hybrid，两手抓稳不抓瞎！”

四、Agentic RAG：让RAG学会自主思考

4.1 传统RAG vs Agentic RAG

特性	传统RAG	Agentic RAG
流程	线性：搜索→回答	循环：感知→决策→行动
能力	单跳检索	多跳推理+工具协作
灵活性	固定流程	自主动态调整
输入信息	基础Query	Query+位置/时间/历史记录
成本控制	检索可能冗余	优化检索减少无效生成

4.2 三大核心类型

类型1：工具调度员（Tool Router）

▸ 作用：根据问题类型分配工具

▸ 案例：

医学问题 → 调用医学数据库
数学计算 → 调用计算器

类型2：任务拆解师（Query Planner）

▸ 作用：处理子任务依赖关系

▸ 案例（多步推理）：

类型3：智能循环机（ReAct Agent）

▸ 作用：失败后重新规划

▸ 案例：

首次搜距离失败 → 改方案：

查A楼经纬度 → 2. 查B楼经纬度 → 3. 计算坐标距离

4.3 设计黄金法则

Prompt抽象化：
- 避免具体步骤指令 → 改用“请合理使用工具”
循环引擎：
```
Plan → Act → Observe → Repeat
```
成本控制：
- 结果反思模块淘汰低质检索

终极总结：

传统RAG是“固定流水线”，Agentic RAG是“自带大脑的瑞士军刀”——能拆解、会调度、懂变通。

五、DeepSearch全流程解析

5.1 核心框架

5.2 关键模块详解

模块1：Planner任务拆解

输入：用户Query + 历史记录 + 环境信息（位置/时间）
预占位规划：
案例：“2024中国GDP前三城市人口？”
1. 查GDP Top3 → 得城市A,B,C
2. 查A人口（占位符实现）
3. 查B人口
4. 查C人口

模块2：任务澄清

必要性：避免token浪费（如旅游攻略缺预算参数）
交互方案：

[ ] 目的地：泰国/新加坡/马来西亚...

```
[ ] 预算：3000-5000/5000-7000...
```
```
[ ] 偏好：自然/人文/美食...
```

模块3：信息获取

双模式调用：
方式优势
直接输出Function Call 减少中间误差
自然语言转工具参数灵活性更高
信息过载处理：
1. 精排过滤（相关性打分）
2. 去重压缩（保留原文防幻觉）

方式	优势
直接输出Function Call	减少中间误差
自然语言转工具参数	灵活性更高

模块4：结果反思

循环判断标准：
- 信息完备性 ✓
- 策略有效性 ✓
设计价值：多模型验证 → 降低单点决策风险

模块5：通用工具库

工具	典型场景
计算器	预算分配（例：5000×35%÷3人）
Python解释器	字数统计/数据清洗
多模态处理器	图文混合分析

六、总结：RAG技术演进全景

核心结论：

简单查询 → Naive RAG（成本优先）
全局分析 → Graph RAG（效果优先）
复杂任务 → Agentic RAG（动态规划）
企业级应用 → DeepSearch（循环验证）

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。