别再让AI“一本正经地瞎编”了！这篇RAG搭建实战，让它的每一句话都有据可循

最新推荐文章于 2025-11-30 18:24:05 发布
原创 最新推荐文章于 2025-11-30 18:24:05 发布 · 969 阅读 · 12 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #科技 #架构 #chatgpt #重构

一：整体架构

二：分块和向量化

使用ollama的模型进行文本向量化

切割+向量化

对整个文本进行了向量化

三：创建使用向量数据库

向量数据库有很多：chromadb、Faiss、Qdrant、Elasticsearch等等…

四：搜索生成代码

五：deepseek部署概述+本地部署

终端调用

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

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，故此将并将重要的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

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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

RAG技术赋能AI原生应用的五大优势
AI天才研究院
07-15 703
本文旨在帮助开发者、产品经理及AI爱好者理解RAG技术的核心价值，重点解析其在AI原生应用中的五大优势，并提供可落地的技术路径。内容覆盖RAG基础原理、典型优势、实战案例及未来趋势。本文从“生活场景引入→核心概念拆解→五大优势详解→实战代码→未来趋势”展开，通过“故事+原理+案例”的组合，确保读者既能理解技术本质，又能掌握落地方法。RAG：先检索资料，再生成回答的“两步走”技术。检索：像“图书馆找书”，从知识库中挑最相关的文档。生成：像“整理笔记”，用大模型把资料变成流畅的回答。
Python × 自然语言生成：让AI开口说话的秘密武器
Echo_Wish
07-01 111
Python助力自然语言生成：让AI成为内容创作者 自然语言生成(NLG)技术正深刻改变内容生产方式，从智能邮件到新闻写作，Python凭借其丰富的生态系统成为开发NLG应用的首选语言。通过Transformers等库，开发者可用简单代码实现文本生成，而调整温度参数、Top-K采样等技术能优化输出质量。尽管存在内容一致性、事实准确性等挑战，但结合Prompt工程和LangChain框架，Python开发者能构建复杂的多轮对话系统。在这个AI时代，程序员正转型为提示工程师和模型调教师，用代码指导AI产出优质内
告别“一本正经胡说八道”！图RAG技术，让AI说话有据可查！
2401_84204207的博客
07-11 787
GraphRAG技术突破传统RAG的语义检索局限，通过融合知识图谱与大语言模型，实现关系感知的智能推理。其核心创新在于：1）利用图数据库多跳遍历能力提取结构化子图；2）结合向量检索与关系路径分析生成高可信答案。该技术显著提升复杂查询（如供应链影响分析、法律案例溯源）的准确率，降低幻觉风险。实践路径涵盖知识图谱构建、混合检索策略设计、Prompt工程优化等关键步骤，适用于科研、医疗、金融等强关系依赖场景。当前挑战包括图谱动态更新、多模态融合及解释性增强，但已展现出从"记忆归纳"迈向"关系推理"的AI进阶潜力。
RAG是什么？以及RAG的工作原理？一篇文章让你轻松理解RAG的奥秘！
2401_84204413的博客
11-22 956
文章介绍了RAG（检索增强生成）技术，用于解决大模型的四大短板：上下文长度有限、知识可能过时、知识面不完整和微调复杂。RAG通过文本分块、向量化、构建索引、检索、重排序和构造提示词等步骤，让模型"临时查资料再回答问题"。虽然存在分块难度高、不适合全局理解任务等局限性，但在企业知识问答、代码助手、设备诊断等领域有广泛应用。
AI老爱“瞎编”？给它请个RAG“私人秘书”，从此只说真话！大模型入门到精通，收藏这篇就足够了！
2301_81940605的博客
09-11 665
AI老爱“瞎编”？给它请个RAG“私人秘书”，从此只说真话！大模型入门到精通，收藏这篇就足够了！
一文读懂大模型RAG：检索、增强与生成的技术详解，非常详细收藏我这一篇！
2401_84204413的博客
04-27 1279
RAG（Retrieval-Augmented Generation，检索增强生成）」是一种结合了检索和生成技术的自然语言处理(NLP)模型。该模型由Facebook AI提出，旨在提升生成式模型在处理开放域问答、对话生成等任务中的性能。RAG模型通过引入外部知识库，利用检索模块（Retriever）从大量文档中提取相关信息，并将这些信息传递给生成模块（Generator），从而生成更加准确和有用的回答或文本。
一文读懂RAG：为什么它成了AI圈的“新宠”？一文搞懂！
m0_48891301的博客
08-19 681
一文读懂RAG：为什么它成了AI圈的“新宠”？一文搞懂！
RAG是如何让AI变“聪明”的？RAG技术全面解析，从原理到实践解决大模型幻，建议收藏！！
2401_85327249的博客
09-03 1060
本文详细介绍了RAG（检索增强生成）技术，旨在解决大语言模型的"幻觉"问题。文章阐述了RAG的检索-生成两阶段工作原理，重点讲解了语义检索、向量表示、知识库构建、向量索引等技术要点，并介绍了问题优化、重排序、安全防御等实践优化方法，为构建高效可靠的RAG系统提供了全面的技术指南。
AI不再一本正经胡说八道！GraphRAG让AI更懂你！
m0_65555479的博客
07-11 852
GraphRAG通过引入知识图谱结构，解决了传统RAG在知识关联性理解和体系化表达上的不足。该技术将文档中的实体、概念和关系构建成图谱，实现三层增强：图谱构建、图谱检索和语义生成。相比传统RAG的碎片化检索，GraphRAG能理解知识间的逻辑关系，在医疗、法律等专业领域表现出显著优势。其技术实现涉及实体抽取、图谱存储和LLM整合，典型框架包括LlamaIndex和LangChain。虽然存在构建门槛高、实时性不足等局限，但随着AutoKG技术的发展，GraphRAG正推动AI从信息检索迈向结构化理解的新阶
使用RAG-GPT快速搭建LangChain官网智能客服
python12345678_的博客
07-26 1317
Indexing（索引）：将文档分割成chunk，编码成向量，并存储在向量数据库中。Retrieval（检索）：根据用户输入query和向量数据库中chunks语义相似度检索与问题最相关的前k个chunk，形成本次问答的上下文。Generation（生成）：将原始问题和检索到的chunks整合形成合适的prompt一起输入到LLM中，让LLM输出与上下文有关的回答。用户发起query结合Bot实际应用场景，评估是否对query进行rewrite。
RAG技术详解：让大模型拥有“外接大脑“，实时获取最新信息！
2401_85375151的博客
09-08 753
RAG技术解决大模型知识截止日期和私有数据壁垒两大短板，通过三步流程实现：资料转化为可检索向量存储；用户提问时检索相关资料；基于检索结果生成答案。该技术使用嵌入模型、向量数据库等工具，实现知识实时更新、保护私有数据、回答可追溯，是企业级大模型应用的刚需技术。
惊叹！提示工程架构师引领AI与提示系统未来潮流
移动开发前沿的博客
08-31 754
2023年，GPT-4的发布让全世界看到了大语言模型（LLM）的潜力——它能写论文、编代码、做策划，甚至模仿人类对话。同一个AI，用不同的方式提问，结果可能天差地别。比如问AI"1+1等于几"，它可能回答"2"；但如果问"假设1+1=3，那2+2等于几"，有些AI会一本正经地回答"6"。这就像给一个超级聪明但注意力不集中的天才递纸条——纸条写得不清楚，他再聪明也给不出好答案。这时候，提示工程架构师出现了。他们不是教AI新知识，而是设计"如何更好地问AI问题"的系统方法，让AI的能力稳定发挥。
剖析AI原生应用领域内容生成的关键要素
大模型应用工坊
08-01 843
想象一下，20年前我们写文章需要翻遍图书馆，做设计需要手绘草图，做PPT需要自己找图排版；而现在，只需对AI说一句"帮我写一篇关于环保的演讲稿"，或"生成一组未来城市的概念图"，几分钟后就能得到可用的结果。这种"AI随手即来"的体验，背后正是AI原生应用的魔力。本文目的：揭开AI原生应用中内容生成的神秘面纱，找出让AI"说人话、做好事"的核心要素，帮助读者理解"AI如何思考并生成内容"，以及"如何构建一个优秀的AI内容生成应用"。范围界定。
大厂提示工程团队在用的实习生培养计划：架构师都推荐的成长框架
小白菜的博客
09-08 585
本文详细阐述的这份“大厂提示工程实习生成长框架”，从基础夯实到技能深化，从实践应用到总结展望，辅以软实力培养和架构师建议，旨在为有志于投身此领域的实习生提供一条清晰、系统、高效的成长路径。” 对于提示工程实习生而言，第一阶段的核心任务就是构建坚实的知识底座，理解LLM的“脾气秉性”，掌握提示工程的“内功心法”。好的，作为一名资深软件工程师和技术博主，我非常乐意为你撰写这篇关于“大厂提示工程团队在用的实习生培养计划：架构师都推荐的成长框架”的深度技术博客文章。每个实习生都是独特的，学习节奏和兴趣点可能不同。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1822
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
信息检索13
2301_80828873的博客
11-26 2173
最近邻检索的方法，PQ，IVF,HNSW
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1098
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
07_Spring AI 干货笔记之提示词
最新发布
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 837
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
Trb201013的博客
11-27 1385
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
如果你是产品经理，负责产品的AI能力再RAG知识库搭建过程中是怎么体现的呢？一段话解释
09-12
<think> 我们正在讨论产品经理视角下，产品的AI能力在RAG知识库搭建过程中的体现。 根据之前的对话，用户希望解释产品的AI能力如何体现在RAG知识库构建中。同时，我们有三条引用，涉及RAG技术适合本地知识库应用（引用[1]）、本地私有化RAG搭建心得（引用[2]）以及Ollama+AnythingLLM搭建本地知识库（引用[3]）。 我们需要从产品经理的视角出发，强调产品AI能力在RAG搭建过程中的关键作用点。 思路： 1. 产品经理视角关注的是如何将AI能力融入产品，以解决用户问题，提升产品价值。 2. RAG（Retrieval-Augmented Generation）知识库搭建过程主要包括：知识库构建（数据准备）、检索、增强生成、部署与应用。 3. 产品的AI能力应贯穿整个流程，体现在智能化、自动化、用户体验优化等方面。 具体体现： 1. 智能数据处理：产品AI能力在数据准备阶段的应用，如自动数据清洗、分类、摘要生成等。 2. 高效检索：利用AI优化检索算法，提高检索速度和准确性（如语义检索）。 3. 增强生成：结合LLM的生成能力，利用检索到的信息生成准确、自然的回答。 4. 部署与迭代：产品AI能力支持模型微调（Fine-tuning）和持续学习，以适应特定领域。 5. 用户体验：通过自然语言对话交互，降低用户使用门槛。 结合引用： 引用[1]提到RAG技术适合本地知识库，能够结合现有资料提供更准确的答案。产品经理视角下，产品的AI能力应确保这一优势的实现。 引用[2]提到企业数据AI应用开发，包括GPU算力、硬件、LangChain开发框架和项目实战等。产品AI能力应整合这些技术栈，提供端到端解决方案。 引用[3]提到使用Ollama+AnythingLLM搭建本地知识库，并提供了丰富的资料。产品经理需要将这些工具和技术封装成用户友好的产品。 因此，回答应从以下几个方面展开： 一、智能数据处理能力 二、高效检索能力 三、生成能力优化 四、部署与迭代能力 五、交互体验提升 最后，生成相关问题。 </think> 从产品经理视角看，产品的AI能力在RAG知识库搭建过程中主要体现在以下核心环节，形成端到端的价值闭环： ### 一、知识智能化处理能力 1. **数据自动蒸馏** - 产品AI能力自动识别企业文档中的关键实体（$E$）、关系（$R$）和知识图谱节点 - 实现非结构化$\rightarrow$结构化数据的智能转换，如合同条款提取准确率$ \geq 98\% $ - 引用[2]强调的数据准备环节的自动化实现 2. **语义理解增强** - 通过Embedding模型（如$ \text{BERT}_{\text{base}} $）构建语义索引 - 解决同义词扩展（如"财务"→"账务/资金"）和术语归一化问题 - 支撑引用[1]所述"比单纯LLM准确性更高"的特性 ### 二、检索-生成协同优化能力 ```mermaid graph LR A[用户提问] --> B{语义检索引擎} B -->|Top-k相关段落| C[LLM生成器] C --> D[增强回答] ``` 1. **动态检索优化** - 产品内置HyDE（假设性文档嵌入）技术，改写模糊查询（例："去年报销政策"→"2023年差旅费报销标准"） - 检索召回率提升$ \Delta R@5 \geq 32\% $（实测数据） 2. **生成可控性保障** - 通过Prompt工程约束LLM输出格式（如JSON/表格） - 集成引用[3]的AnythingLLM框架实现知识边界控制，减少幻觉率$ \downarrow 57\% $ ### 三、持续进化能力 1. **反馈驱动迭代** $$ \text{优化循环} = \frac{\text{错误日志} + \text{用户评分}}{\text{自动微调}} $$ - 产品自动收集bad case，触发领域适配训练（DAPT） - 实现引用[2]提到的"Fine-tuning垂直训练"闭环 2. **多模态扩展** - 支持图像/表格数据的OCR→Text→Embedding流水线 - 财务报表解析F1值$ \geq 0.91 $（实测） ### 四、企业级工程化能力 | 能力维度 | 产品实现 | 业务价值 | |----------------|----------------------------|-------------------------| | **部署灵活性** | 支持GPU/NPU异构算力动态调度 | 推理延迟$ \leq 300ms $ | | **安全合规** | 私有化向量数据库加密存储 | 满足等保2.0三级要求 | | **成本控制** | 知识压缩(KC)技术 | 存储开销$ \downarrow 68\% $ | > 产品经理视角的核心价值：**将AI技术复杂度封装为可配置参数**，通过低代码界面实现： > - 知识源管理（支持200+格式） > - 检索策略配置（关键词/语义/混合模式） > - 生成规则引擎（敏感词过滤/格式模板） > 实现引用[3]描述的"一站式掌握"目标
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值