大模型外挂 - 什么是RAG？看完这篇学RAG就足够了

在文章智能体的通信协议中，我们介绍了智能体的通信协议。

本文将进一步介绍智能体要如何搭建起来。

一、概述

所谓幻觉（Hallucination），是模型在缺乏真实知识支撑时，会根据语言统计规律“合理地胡说”。 这个问题几乎存在于所有的大模型中，因为模型的知识都停留在训练数据里。

二、三种智能体的调用模式

当我们要基于大模型做一个问答系统时，通常可以有三种模式选择：简单问答、function calling，还有RAG。

2.1 一问一答模式

即简单的基于提示词 Prompt，这是最基础的应用方式，它局限于大模型的基础训练能力，适用于简单交互和信息获取。

2.2 工具调用模式

即 Function Calling，通过标准化接口调用内外部工具，支持API串联执行复杂任务，适用于数据分析自动化等复杂处理场景。

一个典型的 Function Calling 流程如下。

2.3 RAG模式

即检索增强模式，结合向量数据库构建个性化知识库，实现私有数据与大模型融合，在指定范围内进行学习和训练，避免出现大模型幻觉。

三、RAG介绍

下面我们展开说说，到底什么是RAG？

3.1 什么是RAG

RAG（Retrieval Augmented Generation，检索增强生成）是一种结合大型语言模型（LLM）与外部知识检索的人工智能架构。它可以最大限度减少人工智能的“幻觉”，提供最新的信息。

通用的 RAG 微调方法，由Lewis 等人在 2021 年的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中作了首次介绍。

RAG可以解决的问题包括：

• 减少AI幻觉：回应基于检索到的事实，最大限度降低AI带来的幻觉和假象
• 提供最新信息：访问当前最新数据，克服用静态数据集训练模型的局限
• 定制化：允许集成特定领域的知识和信息
• 精准：提供更可靠、更符合实际需要的应答
• 透明：提供引用来源，让答案具有可验证性和可信度

3.2 RAG 架构

常见的RAG架构有下列几种：

• Naive RAG：最原生、最基础的 RAG 架构
• Retrieve-and-rerank：在Naive RAG基础上增加了重排序模块
• Multimodal RAG：支持多模态数据（文本、图像、视频等）的检索与生成
• Graph RAG：基于图数据库的检索与生成
• Hybrid RAG：混合多种检索生成技术（如向量检索+关键词检索+图检索）的RAG
• Agentic RAG (Router)：通过智能路由器（基于LLM）动态分配至不同模块进行检索与生成
• Agentic RAG (Multi-Agent RAG)：多个智能体协同处理任务，整合生成结果的RAG

3.3 RAG的使用场景

RAG是一种增强大模型检索与生成能力的方法，可以说是一种弥补现阶段大模型能力不足的补救手段。一旦基础大模型的能力增强了，RAG就不见得还要用上。

那么，我们应该在什么时候使用RAG，什么时候不用RAG呢？

在使用大语言模型LLM构建应用程序时，主流的增强和调优手段包括：

• 提示词工程（Prompt engineering）
• 微调（Fine-tuning）
• RAG
• 混合使用（RAG+Fine-tuning）

如图所示，这里有两个关键的决策要素：

第一，你是否需要外部知识，比如你的私域知识、特定专业领域的经验等。

第二，你是否需要调优模型，比如改变模型的行为、词汇、写作风格等。

也就是说：

• 如果你有自己的知识库，你可以用RAG来增强模型的输出
• 你可以用微调（Fine-tuning）来改变模型的结构，这可以改变模型的输出表现
• 如果你既没有自定义知识库，也不想改变行为，用提示词工程就够了
• 如果你既要有自定义知识库，又要改变模型结构，可以使用混合方法（RAG + Fine-tuning）

参考资料：

1、https://www.dailydoseofds.com/p/function-calling-mcp-for-llms/

2、https://www.dailydoseofds.com/a-crash-course-on-building-rag-systems-part-1-with-implementations/

3、《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》，https://arxiv.org/abs/2005.11401v4

4、https://weaviate.io

5、https://www.dailydoseofds.com/p/prompting-vs-rag-vs-fine-tuning/

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”！