收藏必备！每个AI产品经理都必须懂RAG：7个核心概念详解，小白也能轻松掌握！

未来，每个产品经理都是 AI 产品经理，而每个 AI 产品经理都必须懂 RAG。

所谓RAG（Retrieval - Augmented Generation），即信息检索（Retrieval）+内容生成（Generation）。

图片来源：百度

通过 RAG，可以让大模型从指定的内部知识库“检索”准确的内容，再根据准确的内容“生成”回答内容，从而有效避免幻觉。

比如，如果直接让大模型进行医疗诊断，由于大模型的本质是概率模型，因此它会提供大量错误或者不相关的信息。

有了RAG，大模型就可以从海量的医学文献、病例库中直接检索与患者病症相关的知识，再生成诊断建议供医生参考，从而提高内容的准确性。

接下来给大家介绍 RAG 的 7 个核心概念，看完以后，你会对 RAG 有更深入的认识。

1、向量数据库

---

向量数据库是 RAG 最重要的基础设施之一。

传统数据库的内容查询主要依赖“关键词匹配”，对查询的精确度要求很高。

比如，如果你查询“如何提高工作效率”，而数据库只有“时间管理技巧”内容，那么就无法搜索出任何内容。

而向量数据库就可以有效解决这个问题，它会把各种知识都转换成一组组数字（向量），这些数字能代表知识的内容和特点，

当你在 RAG 系统中输入查找信息时，它会把输入信息也转换成一组数字（向量），然后在数据库中找出最相关的知识，从而实现“语义检索”。

图片来源：百度

比如，下面的每个知识都转化为了一个 3 维向量（实际应用中可能把一个知识转化为几十甚至几千维的向量）：

时间管理：[0.12，0.23，0.46]

工作地点：[0.92，0.82，0.65]

考勤制度：[0.83，0.93，0.78]

当用户查询“工作效率”，向量数据库就可以把“工作效率”转化为向量： [0.12，0.23，0.53]。

显然它和“时间管理”的向量 [0.12，0.23，0.46] 相似度很高——从业务上来说，是因为“时间管理”是提高“工作效率”的一种有效方法，这就导致两者的语义高度相关。

其实，这就是“语义检索”的过程。

在传统客服系统中，由于依赖“关键词匹配”，在面对复杂咨询时，就很难给出用户想要的答案。

而 AI 客服使用向量数据库，当用户咨询时，可以通过 “语义检索”快速找到最相关的答案，从而提升用户体验和满意度。

2、混合检索

---

图片来源：优快云@智兔唯新

基于向量知识库的语义检索虽然很好，但是也存在 2 个问题：

首先是面对超大数据量，语义检索的速度不如传统的关键词检索。

其次是对于一些需要精确匹配的场景，关键词匹配更有优势。比如在法律文件检索中，法律条文、案例等对措辞的精准要求就很高。

因此，在很多场景下，RAG 会同时使用关键词检索和语义检索，从而尽可能的提升检索体验。

比如，在电商平台上，用户搜索“无线蓝牙耳机”。纯语义检索可能会推荐一些带有“无线”或“蓝牙”字样的普通耳机，但混合检索除了语义匹配，还会根据关键词“无线蓝牙”进行精确匹配，确保优先推荐符合“无线蓝牙耳机”这一完整要求的产品。

3、分块、嵌入与索引

---

RAG在存储知识时，为了更高效地管理和检索，通常会将原始文档按照一定的规则（如固定长度、语义单元等）分块。

就如同一本很长的小说，如果把它切成一个个章节或者更小的段落块，那么在查找某个故事情节时就更方便快捷。

分块以后，还需要把每一个块转化为向量，从而存储到向量数据库，这就是嵌入。

嵌入以后，还可以把向量存储到一个高效的检索结构中，以便快速进行相似性计算和检索，这就是索引。

比如，某法律咨询平台为用户提供在线法律咨询服务。

由于法律领域的知识库通常非常庞大且复杂，包含大量的文本信息，如法律条文、司法解释、案例判决书等。

在构建知识库时，就可以将法律条文、案例等长文本分割成多个小块，同时，利用索引结构记录每个小块的向量位置，以便快速检索。

这样，当用户输入法律问题，如“合同违约的赔偿标准是什么”，RAG 就可以从数据库中快速找到最相关的多个小块，并通过上下文融合来生成更为准确和完整的答案。

4、重排序（re-rank）

---

图片来源：公众号：AI大模型应用实践

当 RAG 从数据库中检索出多个内容时，需要选取相关性最大的内容喂给大模型，从而提高大模型的回答质量。

所谓重排序，是指 RAG 将初步检索出来的内容进行重新排序，其目的是将最相关的信息排在前面，从而选取出相对更为准确的内容。

打个比方，你想让 AI 搜索一批书籍，RAG 会先大致找出一批可能你想要的书籍，然后仔细评估每一本书和你需求的契合程度，把最符合你心意的书排在最前面，方便你优先查看。

重排序的应用非常广泛，比如电商平台根据用户需求初步筛选出一批商品后，就会通过“重排序”，根据用户的实时行为、偏好历史等，对推荐商品进行重新排序，把更符合用户当下需求的商品排在前面，提高推荐的准确性和实用性。

5、上下文融合

---

上下文融合是指 RAG 将从多个来源检索到的知识进行整合，以便为大模型提供更全面、连贯的输入内容，这样大模型的回答才能条理清晰、内容完整。

比如，在智能客服场景中，用户咨询：“我刚收到的商品有点瑕疵，我可以申请退货吗？”

要回答好这个问题，RAG 就需要从多个来源检索信息，比如用户的订单信息、退货政策等，再把这些内容整理成统一的内容，以便大模型能够基于内容生成高质量的回答。

6、准确率和召回率

---

准确率（Precision）是指在 RAG 检索到的内容中，与用户问题真正相关的内容的比例。

例如，在一个问答系统中，检索到 10 条知识，其中有 8 条与用户问题高度相关，那么准确率就是 80%。

准确率是衡量检索质量最重要的指标之一。

比如，智能客服在回答用户问题时，如果准确率不高，就会提供大量不相关或错误的答案，影响用户体验。

但是，只有高的准确率还不够，还必须有高的召回率。

所谓召回率（Recall），是指与用户问题相关的所有知识中，被成功检索到的比例。

例如，知识库中有 20 条与用户问题相关的知识，检索到 12 条，那么召回率就是 60%。

在实际应用场景中，召回率和准确率往往会成为跷跷板。比如如果过度追求高召回率，可能会导致检索结果中包含大量不相关的信息，影响准确率。反之亦然。

比如，在一个电商商品检索系统中，为了尽可能多地召回相关商品，降低了检索阈值，结果导致很多边缘相关甚至不相关的商品也出现在结果中。

在这种情况下，我们可以引入 F1 值进行综合评估，从而找到召回率和准确率之间的平衡点。

F1 值的计算公式是：F1= 2*(准确率*召回率)/(准确率+召回率)。

在这个公式中，当准确率或者召回率中的任何一个非常低时，F1 值也会相应的降低。

7、知识图谱

---

图片来源：优快云@思通数科x

知识图谱就像是一个巨大的知识网络，把各种知识当作一个个节点，并且把有关系的节点进行连接。

比如，通过知识图谱可以对菜谱知识进行管理，把各个菜谱、原材料、烹饪方法连接起来，这样，当用户询问“用鸡蛋可以做哪些菜”时，RAG 就可以通过“菜谱-原材料”的连接关系，准确找到使用“鸡蛋”的菜谱。

通过知识图谱，RAG 能够捕捉到实体间的复杂关系，还能够基于已有的实体关系进行推理和扩展，发现更多潜在的相关信息，从而大大提升准确率和召回率。

比如，一年级有 5 个班，RAG 数据库中记录了 5 个班各自的期末成绩，但是并没有存储“一年级所有同学的平均成绩”。

这就导致，当用户询问“一年级期末平均成绩是多少”时，RAG 找不到相关内容，最后给出一个错误的答案。

但是，如果我们通过知识图谱建立了“一年级”和“5 个班级”之间的实体关系，RAG 就能根据根据这个关系找到“5 个班级的期末成绩”，再通过计算给到用户一个准确的回答。

最后，一个 RAG 系统的运行可能包含以下步骤：

1、向量数据库提供知识存储的基础设施

2、对内容进行分块、嵌入和索引，以方便检索

3、再通过知识图谱建立相关实体的关系，从而提高检索和生成的准确度

4、当用户查询时，通过混合检索、知识图谱等方式检索内容

5、然后把检索出来的内容进行重排序，选出最相关的内容

6、把选出的内容进行上下文融合，提供给大模型生成回答内容

7、最后，通过 F1 值对 RAG 系统的准确率和召回率进行综合评估

以上内容，你学废了吗？、

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发