万字长文，深度复盘“死板的RAG”！从问题根源到解决方案，一文带你入门到精通！

关注

原创最新推荐文章于 2026-10-09 13:13:39 发布 1k 阅读 AI 写同款· GEO 优化 ›

RAG 全流程核心技术深度解析：1-工作原理+切片+召回+排序本文深入解析了检索增强生成（RAG）技术的核心原理与应用。RAG通过将信息检索与大语言模型生成能力结合，有效解决大模型的"幻觉"问题、知识时效性不足和领域专业壁垒等关键问题。文章详细介绍了RAG的工作流程，包括准备阶段的分片（Chunking）和索引（Indexing）技术，以及回答阶段的召回、重排和生成过程。特别针对分片技术，对比分析了固定长度切分、递归字符切分、语义切分、结构切分和LLM智能切分五种方法的优缺点及适用场景。最后，文章还探讨了向量化（Embedding）的核心算法和主流阅读详情

“ 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。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括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免费分享出来。

在这里插入图片描述

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

在这里插入图片描述

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

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！

在这里插入图片描述

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等
在这里插入图片描述

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【`保证100%免费`】

在这里插入图片描述

为什么要学习大模型？

2025人工智能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。

在这里插入图片描述

适合人群

在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。