RAG技术详解：让大模型更精准的检索增强生成指南，收藏学习不迷路

关注

原创最新推荐文章于 2026-08-13 09:35:30 发布 1k 阅读 AI 写同款· GEO 优化 ›

为什么说知识图谱 + RAG ＞传统 RAG？你是否曾觉得自己的大脑充斥了一团乱麻般的随机事实？知识图谱模拟了我们大脑思考事物，以及事物间关系的方式，同时又规避了大脑会遗忘和错误决策等问题。我们可以将知识图谱视为带了主语、谓语和宾语的三元组。它们将信息表示为一个由相互连接的实体组成的网络，以及实体之间的关系。本质上，知识图谱利用基于图的数据模型，其中节点代表实体（如人、地点或概念的主体和宾语），边表示这些实体之间的关系或谓语。OpenSPG 是一个语义增强的可编程知识图谱，GitHub地址如下，欢迎大家Star关注~ 阅读详情

RAG（Retrieval-Augmented Generation，检索增强生成）是一种将检索与生成协同结合的技术。当大模型（如DeepSeek、Qwen、GPT）需要生成文本时，会先从外部知识库中检索相关信息，再基于检索到的内容生成答案。

在知识库的构建过程中，RAG通过向量数据库和动态更新机制，实现了高效的知识检索与内容生成；而在知识图谱的构建中，RAG则借助GraphRAG、Graphusion等框架，实现了实体关系的精准抽取与图谱的深度融合。

一、RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是什么？RAG是一种结合信息检索与文本生成的人工智能技术，旨在通过引入外部知识库，解决大语言模型的幻觉问题。

RAG的核心目标是让大语言模型（LLM）在回答问题时不再仅依赖训练时的固化知识，而是动态检索最新或特定领域的资料来辅助生成答案。

RAG结合了信息检索与生成模型，通过以下三阶段工作：
检索：从外部知识库（如文档、数据库）中搜索与问题相关的信息。
增强：将检索结果作为上下文输入，辅助生成模型理解问题背景。
生成：基于检索内容和模型自身知识，生成连贯、准确的回答。

Prompt + RAG 如何实战？结合 Prompt 工程与 RAG（检索增强生成）的实战应用需围绕数据准备、检索优化、生成控制等环节展开。

一、数据准备与向量化

文档预处理与分块

文档预处理通过多模态数据清洗、词形还原与依存句法分析实现文本规范化；分块环节采用递归分割与语义边界识别技术，结合知识图谱关联优化，构建动态重叠的上下文连贯单元，以平衡检索效率与信息完整性。

# 依赖安装：pip install langchain langchain-text-splittersfrom langchain_text_splitters import RecursiveCharacterTextSplitter# 示例长文本（替换为实际文本）text = """自然语言处理（NLP）是人工智能领域的重要分支，涉及文本分析、机器翻译和情感分析等任务。分块技术可将长文本拆分为逻辑连贯的语义单元，便于后续处理。"""# 初始化递归分块器（块大小300字符，重叠50字符保持上下文）text_splitter = RecursiveCharacterTextSplitter(    chunk_size=300,    chunk_overlap=50,    separators=["\n\n", "\n", "。", "！", "？"]  # 优先按段落/句子分界[2,4](@ref))# 执行分块chunks = text_splitter.split_text(text)# 打印分块结果for i, chunk in enumerate(chunks):    print(f"Chunk {i+1}:\n{chunk}\n{'-'*50}")

向量化与存储

向量化通过Embedding模型将非结构化数据（文本、图像等）映射为高维语义向量，存储则依托专用向量数据库（如ElasticSearch的dense_vector字段、Milvus）构建高效索引（HNSW、FAISS），支持近似最近邻搜索（ANN）实现大规模向量数据的快速相似性匹配。

# 依赖安装：pip install sentence-transformers faiss-cpufrom sentence_transformers import SentenceTransformerfrom langchain_community.vectorstores import FAISS# 1. 文本向量化（使用MiniLM-L6预训练模型）model = SentenceTransformer('paraphrase-MiniLM-L6-v2')embeddings = model.encode(chunks)# 2. 向量存储到FAISS索引库vector_db = FAISS.from_texts(    texts=chunks,    embedding=embeddings,    metadatas=[{"source": "web_data"}] * len(chunks)  # 可添加元数据)# 保存索引到本地vector_db.save_local("my_vector_db")# 示例查询：检索相似文本query = "什么是自然语言处理？"query_embedding = model.encode([query])scores, indices = vector_db.similarity_search_with_score(query_embedding, k=3)print(f"Top 3相似块：{indices}")