记一次大模型检索增强系统中的一个问题——死板的RAG，大模型入门到精通，收藏这篇就足够了！

“ RAG的机制决定了其执行流程比较死板，而Agent更符合人类的思维模式。”

在RAG检索增强系统中，有一个很重要的概念就是语义相似度检索，其流程根据用户问题先去知识库中检索相关文档，然后再丢给模型做增强。

但在真实的业务实践过程中发现了一个问题，具体表现上是多轮对话的关联性问题，实际上是语义理解问题；这个问题产生的场景就是在多轮对话过程中无法准确理解每次对话之间的关系，但这个是由RAG的流程所决定的，无法避免，或者说无法完全避免。

多轮对话中的语义理解问题

RAG的处理流程就是先检索，再增强，这是由RAG的特性所决定的；但是为了保证多轮对话的连贯性，因此在实际的处理过程中会添加记忆功能，使用记忆拼接上下文，使模型能够更好的理解和处理用户问题。

但是，拼接上下文毕竟是属于第二步，第一步是需要先使用语义相似度检索文档；这里有一个问题就是，上一个问题和下一个问题可能是完全无关的，也可能是紧密相关的。

因此，两种情况就会导致召回不同的文档，特别是在两次语义相关，但又不完全相关的情况下；这样说可能很多人都不明白什么意思，所以我们就用具体的例子来看。

比如说，第一个问题是怎么做西红柿炒蛋？然后模型巴拉巴拉一堆告诉你怎么做；然后，第二个问题是怎么才能做得更好？

这时针对这两个问题来说，其是有语义关联性的，特别是在有记忆功能的情况下，大模型也能理解你说的怎么才能做的更好是什么意思。

但在召回阶段，两个问题之间的语义关联性就不是很明显了；而根据相似度召回，两个问题召回的文档也基本上可以说是完全不搭嘎。

所以，怎么解决这个问题？

在前面的文章中有聊到过这个问题，解决方案就是在做召回时，先对问题进行改写，改写时使用历史记录作为上下文，这样就可以让模型更好的理解当前的语境，然后理解相应的问题并给出一个更合理的问题进行数据召回。

但这里又带来了一个新的问题，就是这种召回方式虽然保证了多轮对话之间的语义相关性；但如果两轮对话是完全独立的对话怎么办，即两个问题完全没任何关系；这样就会让上一个问题污染到下一个问题的召回精度。

还一个更严重的问题是，两个问题之间有关联关系，但从语义上又区分不出来的场景。

举例来说，第一个问题是我要做西红柿炒蛋，第二个问题是应该去那个菜市场买菜。

这两个问题有关联性吗？肯定是有的，但你说它可以没有关联性吗？当然也可以。

所以这种情况下，应该怎么办？

如果把两个问题合在一起改写出一个新问题，但用户的本意可能是两个完全独立的问题；但如果不进行改写，用户的本意也可能是两个相关性问题。

这种情况如果从用户的角度来说，只需要把问题问的再具体一些就行了；但问题是我们无法控制用户的行为。

所以，如果从RAG的角度来考虑这个问题，这个问题基本上是无解的，只能去约束用户的行为；但如果换个思路，使用智能体来实现，由智能体自己去判断是否需要进行数据召回，还是利用现有的内容进行回复，这样就可以避免这个问题。

而产生这个问题的原因就是RAG的机制和我们人类思考模型的区别；RAG的机制就是，不论三七二十一，我先去捞一遍文档；但人类的思考模式是，先看能不能解决问题，如果解决不了再去查文档。

所以，从这一点来看智能体更符合人类的思维模式，而RAG相对来说就比较死板。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！