别让大模型再编了!Go 在 RAG 检索增强生成领域的实践

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

你一定遇到过这样的场景:问大模型一个公司内部的技术问题,它回答得头头是道、引经据典,仔细一看——全是编的。

这就是大模型最让人头疼的问题——幻觉(Hallucination)。模型的知识停留在训练数据的截止日期,对私有数据一无所知,却又不肯承认"我不知道",于是开始一本正经地胡说八道。

怎么解决这个问题?微调成本太高,提示词工程又不够可靠。这篇文章分享一个实用且高效的方案——RAG(Retrieval-Augmented Generation,检索增强生成)。

RAG 是什么?

RAG 的核心思想非常简单:让大模型"开卷考试"。

与其让模型凭记忆回答,不如先从你的知识库里找到相关资料,然后把资料和问题一起交给模型,让它"参考着回答"。这样做有两个明显的好处:一是回答有据可查,大幅减少幻觉;二是知识可以随时更新,只需更新知识库而不用重新训练模型。

整个流程就三步:

用户提问 → 检索相关文档 → 拼接到 Prompt → LLM 生成回答

举个例子,用户问"我们公司的年假政策是什么?“,系统先从公司制度文档中检索出相关段落,再把这些段落连同问题一起发给大模型。模型有了"参考资料”,自然不会再编了。

Naive RAG 为什么不够用?

最简单的 RAG 实现看起来很美好:把文档切成小块 → 向量化 → 存入向量数据库 → 用户提问时检索最相似的 K 块 → 塞进 Prompt 生成回答。

但在生产环境中,这种"朴素 RAG"会暴露出不少问题:

切分破坏上下文。按固定 512 token 切分文档,很可能把一个完整的问答对腰斩,问题和答案分到了不同的 chunk 里。

语义相似不等于真相关。"如何重置密码"和"密码重置政策"在向量空间里距离很近,但用户想要的是操作步骤,不是政策条文。

Top-K 检索太粗糙。最相似的 K 个片段不一定是最有用的,可能漏掉真正关键的段落。

生产级 RAG 的三大优化

针对上述问题,2026 年的生产级 RAG 通常会采用以下优化手段。

混合检索(Hybrid Search)

单纯的向量检索擅长捕捉语义相似性,但对精确匹配(比如错误码、方法名)效果很差。混合检索将向量搜索和 BM25 关键词搜索结合,两者互补:

  • 向量搜索:理解"用户想表达什么"
  • BM25 搜索:精确匹配"用户提到的关键词"

两种检索结果通过 RRF(Reciprocal Rank Fusion)算法合并排序,效果远优于单一检索方式。

重排序(Re-ranking)

这是性价比最高的一步优化。先用宽泛的条件粗排召回 50 条文档,再用 Cross-encoder 模型对每条文档与问题的相关性做精细评分,只保留最相关的 Top 5。

Cross-encoder 会同时处理"问题+文档"这对输入,比单独编码的 Bi-encoder 理解更精准。虽然计算成本更高,但只对少量候选文档做重排,整体开销可控。

查询转换(Query Transformation)

用户的原始提问往往不够精确。查询转换技术会在检索前对问题进行改写:

  • HyDE:先让 LLM 生成一个假设性答案,再用这个答案去检索(答案的向量表示通常比问题更接近目标文档)
  • Multi-Query:生成多个不同角度的查询变体,分别检索后合并去重
  • Step-Back:先问一个更宽泛的问题获取背景知识,再结合原始问题精确检索

用 Go 搭建一个 RAG 系统

概念讲完了,让我们看看怎么用 Go 代码实现。这里选用 LangChainGo 框架,它是 LangChain 的 Go 语言实现,提供了 RAG 所需的核心组件。

加载文档并切分

// 创建文本加载器和切分器f, _ := os.Open("knowledge.md")loader := documentloaders.NewText(f)splitter := textsplitter.NewRecursiveCharacter(    textsplitter.WithChunkSize(500),    textsplitter.WithChunkOverlap(50),)// 加载文档并按语义切分docs, _ := loader.LoadAndSplit(ctx, splitter)

ChunkOverlap 设置了 50 个 token 的重叠,避免切分时丢失上下文。NewRecursiveCharacter 按递归字符方式切分,比固定长度切分更智能。

向量化并存储

// 创建 LLM 并包装为 Embedderllm, _ := openai.New()embedder, _ := embeddings.NewEmbedder(llm)// 创建 Chroma 向量存储store, _ := chroma.New(    chroma.WithEmbedder(embedder),    chroma.WithNameSpace("my-knowledge"),)store.AddDocuments(ctx, docs)

注意 openai.New() 返回的是 LLM,需要通过 embeddings.NewEmbedder() 包装后才能作为向量嵌入器使用。

构建 RAG 链

// 创建 Retriever 和检索问答链retriever := vectorstores.ToRetriever(store, 5)chain := chains.NewRetrievalQAFromLLM(llm, retriever)result, _ := chains.Run(ctx, chain,    "Go语言的垃圾回收机制是怎样的?")fmt.Println(result)

vectorstores.ToRetriever(store, 5) 将向量存储转为检索器,检索最相关的 5 个文档片段。chains.NewRetrievalQAFromLLM 内部默认使用 Stuff 模式,将所有检索结果拼接到 Prompt 中。

向量数据库怎么选?

数据库特点适用场景
Chroma轻量、嵌入式原型开发、小规模
pgvectorPostgreSQL 扩展已用 PG 的团队
Milvus分布式、十亿级大规模生产环境
Qdrant高性能、Rust 编写对延迟要求高

小团队推荐从 Chroma 或 pgvector 起步,数据量上来了再迁移到 Milvus。

写在最后

RAG 不是什么银弹,但它是目前让大模型落地最务实、最有效的方案。从 Naive RAG 到混合检索、重排序、查询转换,每一步优化都在让系统离"真正有用"更近一步。

Go 语言在 RAG 领域有着天然优势——高并发的检索服务、低延迟的响应、编译成单一二进制的便捷部署。在我看来,虽然 Go 的 AI 生态不如 Python 丰富,但 LangChainGo 已经能覆盖大部分 RAG 场景。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

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

如何在Go应用程序中使用检索增强生成(RAG) 基于RAG的解决方案包括一个向量存储,可以对其进行索引和查询以检索最新和相关的信息,从而扩展LLM的知识超出其训练截止日期。嵌入使我们能够超越基本搜索,因为它们代表了源数据的语义含义——因此得名”语义搜索”,这是一种理解单词的意义和上下文以提高搜索准确性和相关性的技术。您将在langchain_pg_embedding表中看到23行,因为那是我们的网页源被分割成的langchain文档数(请参阅上面加载数据时的应用程序日志)这只是一个简单的示例,旨在让您更好地理解构建基于RAG的解决方案中的各个步骤。 阅读详情

相关推荐

使用Milvus和OpenAI实现RAG(检索增强生成)的实践指南

RAG(检索增强生成)是一种结合了信息检索和文本生成的AI技术,能够在生成自然语言文本时利用外部知识库提供更准确的上下文。Milvus作为一个开源的向量数据库,能够快速存储和检索大规模向量数据,是实现RAG的理想选择。而OpenAI提供的强大生成能力可以完美补充Milvus的数据检索功能。

bavDHAUO的博客 461

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1454

高级RAG系统构建:从检索增强生成原理到工程实践优化

检索增强生成(RAG)是一种将信息检索与大语言模型生成能力相结合的技术范式,其核心原理是通过从外部知识库中检索相关信息来增强模型生成内容的准确性和可靠性。该技术通过向量化表示和相似度匹配,实现了语义层面的精准信息关联,其技术价值在于有效缓解了大模型的“幻觉”问题,提升了专业领域问答、知识库构建和智能客服等场景的应用效果。在实际工程实践中,混合检索策略和智能分块策略成为优化系统性能的关键手段,前者融合了稀疏向量与稠密向量检索的优势,后者则通过语义分块和重叠分块确保文档信息的完整性。这些方法共同推动了RAG系统

weixin_34267123的博客 367

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4403

用AI学习graphify

Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo

我的专栏 752

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3293

如何在 Go 应用程序中使用检索增强生成(RAG)

这只是一个简单的示例,旨在让您更好地理解构建基于 RAG 的解决方案中的各个步骤。这些可能会根据实现的不同而略有变化,但高层次的思路保持不变。我使用了 langchaingo 作为框架。但这并不意味着您一定要使用某个框架。如果您需要在应用程序中进行细粒度控制或框架无法满足您的要求,您也可以移除抽象层并直接调用 LLM 平台的 API。与大多数生成式 AI 一样,这个领域正在迅速发展,我对 Go 开发人员拥有更多选择来构建生成式 AI 解决方案持乐观态度。​。

zhishi0000的博客 2168

大模型抽取知识图谱三元组的可行性分析

通过结合传统信息抽取模型与大语言模型的混合架构,可高效完成从学术文献到知识图谱三元组的全流程构建。分阶段优化:传统模型负责粗粒度抽取,大模型负责细粒度修正。灵活提示设计:通过少样本学习引导大模型理解领域本体。严格质量控制:结合规则引擎和人工校验,确保三元组准确性。该方案可显著提升知识图谱构建效率,适用于学术研究、企业知识库等场景。

qq_20647053的博客 1067

RAG入门秘籍:构建检索增强生成应用程序的终极指南!

AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!

star_nwe的博客 1812

RoCE Overlay

1. RoCE over vxlan 配置vxlan封装的RoCE流量,可以在PF switchdev模式下利用ovs bridge,或直接设置tc rules。下面将基于一对NIC互联的服务器介绍两种方式的使用,并分析封装后的数据包结构。 1.1. 基本配置 - VF与switchdev 首先创建VF,并为两个host设置PF的switchdev模式。使用ovs bridge或tc rules,...

sunshuying1010的博客 3064

团结引擎+OpenHarmony 2实战篇:从零构建鸿蒙应用开发环境

本文详细介绍了如何从零开始构建鸿蒙应用开发环境,重点讲解了团结引擎与OpenHarmony 2的实战配置步骤。内容包括DevEco Studio安装、OpenHarmony SDK配置、团结引擎集成及项目创建等关键环节,帮助开发者快速搭建高效的开发环境,提升鸿蒙应用开发效率。

weixin_29294395的博客 265

【粉丝福利社】大模型RAG应用开发:构建智能生成系统

在数字化和信息爆炸的时代,自然语言处理(Natural Language Processing,NLP)技术已成为推动创新和提升效率的关键驱动力。尤其是在需要精准、实时地进行信息交互的应用中,如问答系统、客户支持和专业文档管理等,如何让生成模型实现高效且精准的信息生成与检索成为核心需求。

愚公智库 11万+

Oracle恢复学习实战小结

     学习oracle10g 043课程有段时间了,前一两个星期学习了backup/restore相关的内容,刚好公司有要求要为host服务器做一个备用机以防止数据意外丢失。于是,实战开始了。     首先介绍host服务器架构。host以oracle数据库作为底层数据存储,以公司总部开发的Santorin作为应用,主要提供给测试台架数据存储、数据访问、数据导入导出、用户权限管理和数据自动备份

kseawolfk的专栏 1036

RAG检索增强生成提高事实准确性

检索增强生成(RAG)通过先检索可靠信息再生成回答,有效缓解大语言模型的幻觉问题。系统结合稠密检索与语义向量技术,从动态知识库中获取最新数据,提升金融、医疗等高要求场景下的答案准确性和可解释性。

weixin_35364187的博客 1019

反无人机作战体系全解析:从低慢小探测到分层拦截

随着小型无人机在军事和民用领域的广泛使用,低慢小目标探测与拦截成为低空安全的核心挑战。传统防空体系面对成本低廉、飞行高度低、雷达特征小的无人机集群时,暴露出探测难、识别难、处置成本失衡等问题。为应对威胁,反无人机体系采用分层闭环设计,融合雷达、光电、声学与无线电侦测实现多源感知,通过电子战软杀伤与导弹、高炮、激光等硬杀伤手段协同配合,并借助自动化指控系统缩短“传感器到射手”的响应时延。该体系既可支撑战场要地防护,也能为民用低空安防提供参考。围绕分层反制逻辑,梳理探测、软硬杀伤、指控布防及实战短板,提供理解反

weixin_42533120的博客 336

通用抓取————6D位姿估计

这意味着算法在没有物体的先验知识(如 CAD 模型)的情况下,依然能够通过神经网络捕捉物体的外观、形状和几何特征,生成相关的 6D 位姿估计。通过输入物体类别的描述,算法能够推断出该类别物体的位姿和尺度,无需特定物体的 CAD 模型。在这个坐标空间中,物体的位姿和尺度都是已知的,基于这个标准化表示,算法可以对输入图像中的物体进行 6D 位姿和尺寸的估计。○优势: ICP 是一种非常有效的位姿优化算法,特别适合精细调整物体的位姿,确保最终估计的位姿与真实物体的点云或模型高度一致。

具身机器人和通用AI 2387

RAG 架构实践:从文档检索到知识增强

RAG 架构的核心是“检索质量决定答案质量”——五阶段链路中,每个环节的优化都会传递到最终答案。混合检索解决了语义匹配与精确匹配的互补问题,重排序解决了相似度不等于相关性的问题,上下文构建解决了信息密度与噪声的平衡问题。落地建议:先用最简单的稠密检索 + Top-3 上下文搭建基线,逐步引入查询改写、混合检索和重排序,每步用基准测试验证效果提升。好的 RAG 系统,是层层递进打磨出来的。

specter__的博客 5086

图神经网络实战(25)——基于A3T-GCN预测交通流量

本节重点讨论了使用 TGNN 进行交通预测任务。首先,我们介绍了 PeMS-M 数据集,并将其从表格数据转换为具有时间信号的静态图数据集。在实践中,我们根据输入距离矩阵创建了加权邻接矩阵,并将交通速度转换为时间序列。最后,我们构建了 A3T-GCN 模型,这是一个专为交通预测设计的 T-GNN 模型,并将结果与两个基线模型进行了比较,验证了模型的预测结果。

盼小辉丶的博客 8664

Meta发布视频生成模型Movie Gen及RAG前沿总结:迭代式RAG、KG增强及领域数据注入大模型思路

本文主要回顾了三个话题,关于迭代式RAG的几种思路、特定领域数据注入到大模型的方式以及关于基于图谱的RAG增强方式。

weixin_58753619的博客 1085

092、Python在芯片验证中的应用:从脚本小子到验证架构师

Python在芯片验证中的高效应用 本文通过实际案例展示了Python在芯片验证中的关键作用。凌晨三点的调试场景揭示了传统方法的局限,Python脚本能在20分钟内分析80GB波形数据定位FIFO指针问题。文章重点介绍了两个核心工具: 智能日志分析系统:通过正则表达式和上下文分析,自动分类百万行验证日志中的错误,生成可视化报告,效率远超传统grep方法。 寄存器模型生成器:将Excel表格自动转换为UVM寄存器模型代码,将原本需要两周的手工工作缩短至两小时,同时保证零错误。 文章还展示了Python与Sys

z534437748的博客 74

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

【愚公系列】《扣子开发 AI Agent 智能体应用》014-基于大模型的企业知识库(知识库的理论基础 RAG)

📝【摘要】 本文深入解析基于RAG(检索增强生成)技术的企业知识库构建与应用。RAG通过"检索-增强-生成"三阶段流程,将外部知识库与通用大模型结合,显著提升回答准确性并减少幻觉现象。核心架构分为知识库构建(数据预处理、向量化、索引创建)和问答推理(语义检索、提示增强、生成回答)两大阶段,具有三大优势:1)依托文档片段生成可靠答案;2)仅需更新向量数据库即可同步最新知识;3)通过本地化部署保障数据隐私安全。文章以汽车行业智能客服为例,展示了如何通过扣子知识库实现领域精准问答,为企业在A

愚公智库 6万+

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

第41篇-RAG服务化架构-从文档处理到检索增强生成

RAG 是大模型应用的形态之一,而 AI Agent 正在成为下一个核心应用范式——能自主规划、调用工具、多步推理的智能体。在全系列最后一篇,我们探讨 AI Agent 的平台化架构(工具调用、规划、记忆、多 Agent 协作),并结合边缘推理、模型压缩等前沿方向,回顾整个 42 篇教程的知识体系,展望 AIaaS 的未来。有任何疑问,欢迎在评论区交流。

m0_68987304的博客 488

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

RAG工作流在高效信息检索中的应用

这只是一个简单的示例,旨在让您更好地理解构建基于 RAG 的解决方案中的各个步骤。这些可能会根据实现的不同而略有变化,但高层次的思路保持不变。我使用了 langchaingo 作为框架。但这并不意味着您一定要使用某个框架。如果您需要在应用程序中进行细粒度控制或框架无法满足您的要求,您也可以移除抽象层并直接调用 LLM 平台的 API。与大多数生成式 AI 一样,这个领域正在迅速发展,我对 Go 开发人员拥有更多选择来构建生成式 AI 解决方案持乐观态度。​。

chengxuyuanyy的博客 1085
上一篇: 你公司花几百万做的 RAG,可能从立项第一天就错了
下一篇: LLM 推理为什么先慢后快?从 Prefill、Decode 到 KV Cache 讲清楚
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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