【必学收藏】大模型知识增强技术：RAG实现与应用实战指南

关注

原创最新推荐文章于 2026-04-14 09:26:58 发布 681 阅读 AI 写同款· GEO 优化 ›

一问讲透什么是 RAG，为什么需要 RAG？如果使用 pretrain 好的 LLM 模型，应用在你个人的情境中，势必会有些词不达意的地方，例如问 LLM 你个人的信息，那么它会无法回答;这种情况在企业内部也是一样，例如使用 LLM 来回答企业内部的规章条款等。这种时候主要有三种方式来让 LLM 变得更符合你的需求：阅读详情

本文介绍了三种解决大模型知识局限性的技术：RAG检索增强生成、模型微调和提示工程。重点详细讲解了RAG技术原理、实现流程和应用实例，包括使用FAISS构建向量库、文档处理、嵌入和查询等步骤。最后通过一个基于Streamlit的动漫知识库应用示例，展示了如何构建和扩展RAG系统，使大模型能够回答特定领域的问题，实现了知识的动态更新和增强。

1、RAG（Retrieval Augmented Generation）

2020年，Facebook在“Retrieval-AugmentedGeneration for Knowledge-Intensive NLP Tasks”一文中首先提出了一种称为检索增强生成(RAG)的框架。该框架可以使模型访问超出其训练数据范围之外的信息，使得模型在每次生成时可以利用检索提供的外部更专业、更准确的知识，从而更好地回答用户问题。

RAG在推理过程中分为两个阶段：检索和内容生成。在检索阶段，通过算法检索与用户问题相关的知识片段。在开放领域中，这些知识片段可以来自互联网上搜索引擎检索到的文档，例如微软Bing AI的模式；在私有领域的企业场景中，通常使用大量的内部文档通过更小的信息源约束来提高模型生成的安全性和可靠性。完成检索之后，可以获取到一些与用户输入相关的可靠外部知识。在内容生成阶段，通过一个结构化的prompt模板约束，将这些外部知识添加到用户的问题中，并传递给语言模型。模型基于知识增强的prompt，通过自己的大量参数计算，就可以生成一个针对该用户问题的更准确的答案。

RAG具体执行时包括三个环节，首先对用户问题进行处理，这个过程通常称为嵌入（embedding），然后从向量库中根据相似度取出跟问题最相关的内容，最后把检索出的内容作为问题的上下文一起发给大模型，通过大模型来生成符合我们习惯的回答。通过向量库的检索，大模型可以掌握原本训练过程中不了解的知识。

2、微调（Fine Tunning）

所谓微调就是对大模型在自己的数据上进行微调。大模型微调的核心是 “保留预训练知识，适配下游任务”，能以较低成本让通用大模型具备场景化能力，是落地大模型应用的关键手段。通过对大模型进行微调，同样可以使大模型具有业务知识，也可以进行知识更新，但是大模型微调需要较高的GPU计算资源，并且较为复杂，训练数据准备也要耗费不少时间。因此，如果对于知识不断变化的场景，会频繁进行微调，成本较高。

3、提示工程（Prompt Engineering）

不同的问题描述方式会导致LLM回答质量的差异。因此，学会如何更好地向LLM描述问题变得非常重要。ChatGPT的爆火推动了prompt工程的兴起，它旨在优化和开发提示词，以便更高效地利用LLM解决各种实际问题。目前，在某些场景下，LLM很难准确理解用户意图，因此我们需要更详细地描述问题才能获得更好的答案。相比RAG和微调，提示工程最简单，因为不需要做额外的工作，但是由于没有加入新的知识，因此大模型所回答的内容依然仅依赖于它原本训练过程中获取到的知识，除非在提示词中把新的知识在上下文中输入到大模型。

这三种技术各有优劣，在不同的场景下可以具体应用。RAG的相关教程现在很多，我这里主要举几个例子，起到抛砖引玉的作用。

要使用RAG，我可以先把需要文档存入到向量库中，这里我们使用FAISS。然后根据相似度查询匹配度最高的内容：

#--------------测试向量库FAISS--------------
from langchain_ollama import OllamaEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.docstore.document import Document
raw_documents = [Document(page_content="葡萄", metadata={"source": "local"}),
Document(page_content="白菜", metadata={"source": "local"}),
Document(page_content="狗", metadata={"source": "local"})]
embeddings = OllamaEmbeddings(model="bge-m3:567m")
db = FAISS.from_documents(raw_documents, embeddings)
query = "动物"
docs = db.similarity_search(query)
print(docs[0].page_content)
# 输出：狗

这里可以看到，我们先把“葡萄”、“白菜”、“狗”作为原始文本，通过embedding模型，对文本进行嵌入操作，然后把embedding后的文本向量存储到向量库中，最后根据查询的问题去寻找相似度最高的文本。

可以看到，构建RAG向量库的基本流程都是如此的方式。

下面我们看一个简单的查询例子，假设我想构建一个动漫知识库，存储一些热门动漫。我这里有个《龙珠》的简单介绍，我想要存储到向量库中，并进行提问。原始文本如下：

孙悟空是《龙珠》系列的核心主人公，来自贝吉塔行星的赛亚人，以乐观、勇敢和对战斗的热爱贯穿全篇。
### 核心身份与背景
原名卡卡罗特，婴儿时期被送往地球，因头部撞击失去赛亚人侵略本性，被地球人孙悟饭收养长大。
赛亚人天生热爱战斗，拥有越战越强的体质，还有变身超级赛亚人等强大形态的能力。
### 关键性格特质
纯真善良，对世界充满好奇，不谙世事却坚守正义底线。
战斗狂热，遇强则强，始终追求更强的对手和更高的实力境界。
重视亲情与友情，愿意为保护家人、伙伴和地球付出一切，甚至牺牲自己。
### 成长与成就
从懵懂的山野少年起步，历经无数战斗，结识布尔玛、克林、贝吉塔等挚友。
多次拯救地球于毁灭危机，击败弗利萨、沙鲁、布欧等强敌，成为宇宙级的强者。
始终保持谦逊，即便实力顶尖，仍不断修炼突破，从未停止变强的脚步。
### 核心攻击型绝招
龟派气功：最具代表性的招式，双手合十积蓄能量后推出冲击波，可根据实力提升威力，是常用的远程攻击手段。
元气弹：集合周围生物的元气凝聚成巨大能量球，威力极强且只对邪恶目标生效，多次在决战中扭转战局。
龙拳爆发：将能量集中于拳头，打出形似巨龙的冲击，爆发力惊人，常用于近距离重创强敌。
近身与辅助型招式
舞空术：通过控制能量实现飞行，是后期战斗和移动的基础技能。
瞬间移动：从 Yardrat 星习得，能感知对方气息并瞬间转移到指定地点，兼具逃生、支援和突袭功能。
赛亚人变身：不算直接招式但核心能力，从超级赛亚人到超蓝、超本能等形态，变身後全方面提升战斗力，配合招式发挥更强威力。
衍生与组合招式
界王拳：通过倍数提升自身战斗力，初期常用，后期多与变身形态结合使用，但会对身体造成负荷。
分身术：分裂出多个自身分身，用于迷惑对手或同时攻击，实力随本体强度同步。

我们这里先用文档加载器把txt文本加载进来，然后通过RecursiveCharacterTextSplitter类对文档进行分段，分段也是一个影响RAG效果的非常关键步骤，不同的分段策略可能导致RAG的效果有很大的差别。我这里选择每500个字分段，并设定以换行符作为分段标志。分段后的文档再进行embedding操作，存入到向量库。查询的时候，系统会先去向量库中寻找问题相关的内容，再和问题一起提交给大模型，从而得到结果。

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_openai import ChatOpenAI
from langchain_ollama import OllamaEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.docstore.document import Document
from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
# 数据加载与文本切块
loader = TextLoader('2.txt', encoding='utf-8') # 定义加载器
documents = loader.load() # 加载文档
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0, separators=["\n"]) # 定义一个文档切分器
chunks = text_splitter.split_documents(documents) # 切分文档
template = """
你是一位问答助手，你的任务是根据###中间的文本信息回答问题，请准确回答问题，不要健谈，如果提供的文本信息无法回答问题，请直接回复“提供的文本无法回答问题”，
我相信你能做得很好。###\n{context}###\n 问题：{question}
"""
question = "卡卡罗特的绝招有哪些？"
# 写入向量数据库，获取检索器
embeddings = OllamaEmbeddings(model="bge-m3:567m")
db = FAISS.from_documents(chunks, embeddings)
retriever = db.as_retriever(search_kwargs={"k": 2})
# 召回和问题相关的文本
context = retriever.get_relevant_documents(question)
print(context)
context_str = "; ".join([doc.page_content for doc in context])
input_str = template.format_map({"context":context_str, "question":question})
chat = ChatOpenAI(
streaming=True,
model='deepseek-chat',
openai_api_key='<你的API KEY>',
openai_api_base='https://api.deepseek.com',
max_tokens=1024
)
messages = [
SystemMessage(content="你是一位问答助手"),
HumanMessage(content=input_str)
]
response = chat(messages)
print(response.content)

根据控制台的输出，我们可以看到系统找到的分段，并且给出了正确的结果，而且我们这里问的是卡卡罗特，而文档里面一开始说的是孙悟空，说明大模型自动识别了卡卡罗特就是孙悟空。

下面我用streamlit作为前端界面框架，做了一个简单的例子，我们可以针对向量库中的内容进行查询，并可以添加新的文档到向量库中，增加文档的知识。首先构建一个可以操作向量库的工具文件：

# 例子，动漫RAG
# 存储和获取向量库
from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import FAISS
from langchain_ollama import OllamaEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import Docx2txtLoader
def load_word_file(file_path):
loader = Docx2txtLoader(file_path)
data = loader.load()
return data
text_splitter = RecursiveCharacterTextSplitter(
separators=["\n","\n\n"],
chunk_size=500,
chunk_overlap=0,
length_function=len,
is_separator_regex=False
)
def add_word(filename, index_name):
# Word
docs = load_word_file(filename)
documents = text_splitter.split_documents(docs)
embeddings = OllamaEmbeddings(model="bge-m3:567m")
vector = FAISS.load_local("faiss_index_word", embeddings, allow_dangerous_deserialization=True)
vector.add_documents(documents)
vector.save_local("faiss_index_word")
def get(index_name):
embeddings = OllamaEmbeddings(model="bge-m3:567m")
vector = FAISS.load_local(index_name, embeddings, allow_dangerous_deserialization=True)
return vector
def init_db(index_name):
file_path = "D:\\zj\\AI\\corpus\\孙悟空.docx"
docs = load_word_file(file_path)
documents = text_splitter.split_documents(docs)
# -------------------- 2. 向量库构建 --------------------
# 使用 OpenAI 文本嵌入（可替换为其他嵌入模型）
embeddings = OllamaEmbeddings(model="bge-m3:567m")
# 创建 FAISS 向量库
vector_db = FAISS.from_documents(
documents=documents,
embedding=embeddings
)
vector_db.save_local(index_name)

然后用Streamlit作为外部界面，构建一个可以查询和增加文档的小应用，也可以对向量库进行初始化，初始化的时候，系统会自动构建动漫龙珠的向量库，后续可以上传文档并添加新的知识。

import streamlit as st
from langchain_core.output_parsers import StrOutputParser
from langchain.schema.runnable import RunnableLambda, RunnablePassthrough
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from vector2 import init_db,get,add_word
import asyncio
chat = ChatOpenAI(
streaming=True,
model='deepseek-chat',
openai_api_key='<你的AIP KEY>',
openai_api_base='https://api.deepseek.com',
max_tokens=1024
)
def main():
index_name = "anime_index_word"
st.title("动漫知识库")
question = st.text_input("请输入查询内容：")
uploaded_file = st.sidebar.file_uploader("上传文件", type=["txt", "docx"])
if st.sidebar.button("初始化向量库"):
init_db(index_name)
if uploaded_file is not None:
if st.sidebar.button("添加文件到向量库"):
with open("D:\\temp\\"+uploaded_file.name, "wb") as f:
f.write(uploaded_file.getbuffer())
f.close()
add_word("D:\\temp\\"+uploaded_file.name, index_name)
st.sidebar.success("添加成功")
if st.button("执行查询"):
if question:
template = """
你是一位问答助手，你的任务是根据###中间的文本信息回答问题，请准确回答问题，不要健谈，如果提供的文本信息无法回答问题，请直接回复“提供的文本无法回答问题”，
我相信你能做得很好。###\n{context}###\n 问题：{question}
"""
PROMPT = PromptTemplate(
template=template,
input_variables=["context","question"]
)
db = get(index_name)
retriever = db.as_retriever(search_kwargs={"k": 2})
# 召回和问题相关的文本
context = retriever.get_relevant_documents(question)
print(context)
chain = (
{"context": retriever, "question": RunnablePassthrough()}
| PROMPT
| chat
| StrOutputParser()
)
# 流式返回
stream = chain.stream(question)
st.write_stream(stream)
else:
st.write("查询出错，请检查输入或数据库连接。")
if __name__ == "__main__":
main()

运行后，界面如下：

可以看到，回答的结果是正确的，下面再看一下，我问文档中不存在的《诛仙》的问题：

系统就无法正确回答了，所以我增加一下《诛仙》的知识进去：

可以看到，当我上传了《诛仙》的相关文档后，系统就可以查询到《诛仙》的相关信息了。

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。

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】