主流的RAG算法有哪些？

RAG(Retrieval-Augmented Generation)：检索增强生成，通过为大模型接入外部知识库，将传统生成式大模型与实时检索技术相结合，为大模型补充来自外部的相关数据和上下文，提升大模型问答准确率，解决大模型幻觉和实效性问题。

检索：根据用户的输入，从外部知识库中检索出相关的信息，这一步通常是把多模态数据表示成向量，通过向量检索得到最相关的信息。

增强：将用户的查询内容跟检索到的相关知识一起放到提示词模板里。

生成：将经过检索增强的提示词输入到大模型中，通过大模型推理，得到最终的输出结果。

RAG技术的本质是让大模型参加「开卷考试」，通过RAG查找知识库中相关资料，从而解决大模型没有学过的问题。

主流RAG算法

1、RAG Embedding

文档经过切分得到文本块，每一段文本通过Embedding模型进行特征提取，得到每个文本块的向量表达，最后将这些向量存储到知识库里，这个过程叫做RAG Embedding。

不仅文档可以转换成向量，图像、视频、语音等多模态数据也可以转换成向量。通过将不同模态的数据都映射到统一向量空间，以实现多模态知识的互联互通。

业界主流的Embedding模型包括BGE、Sentence-BERT、text2vec等。这些模型的共同特点是都由Transformer结构组成。

2、RAG Index

当接到用户的查询请求时，通过RAG Embedding将用户的查询请求转换成向量，然后将这个向量与知识库中的向量进行比对，从知识库中找到与查询向量最相似的一组向量。

然而，在实际业务中，知识库中有数千万甚至上亿条向量，如果将查询向量和知识库中的向量进行逐一比对，向量检索的计算量会非常大，无法满足时效性要求。

因此，业界的主流方案是在向量的底库上构建一个高性能的向量索引，检索时基于向量索引快速查询到对应的向量，从而大幅减少向量检索的计算开销，这个建立向量索引的过程叫RAG Index。

业界主流的向量索引包括HNSW图索引和IVFPQ索引。

HNSW（Hierarchical Navigable Small World）分层导航小世界图

HNSW通过分层导航小世界图实现搜索优化。每一层的节点通过边连接，表示节点间的接近程度。上层图用于快速跳跃，底层图则进行精细搜索。搜索过程包括以下步骤：

1. 从顶层的入口点开始，利用贪婪搜索找到与查询向量最近的节点。

2. 达到局部最优后，跳转到下一层并重复搜索。

3. 在最底层完成最终的精细搜索，返回最近邻结果。

IVF_PQ（ Inverted File with Product Quantization）

IVF 就像在一本书中创建索引。 你不用扫描每一页（或者，在我们的情况下，每一个向量），而是在索引中查找特定的关键词（群组），从而快速找到相关的页面（向量）。

IVFPQ 中包含了两个关键概念：

倒排索引（Inverted File）： 这是一种数据结构，用于加速搜索。对于每个特征向量，倒排索引存储了包含该特征向量的数据的列表，这使得在查询时可以快速定位包含相似特征的数据。

乘积量化（Product Quantization）： 这是一种降维和量化的技术。在数据检索中，通常使用很高维度的特征向量来描述数据。乘积量化通过将这些高维向量分解成较小的子向量，并对每个子向量进行独立的量化，从而减少了存储和计算的复杂性。这有助于加快检索速度。

3、RAG Reranker

在向量检索完成后，RAG Reranker会对检索到的结果进行重排序。重排序分为逐点重排（Pointwise Reranking）和列表重排（Listwise Reranking）。逐点重排是“给每篇文章单独打分”，列表重排是“看完所有文章再直接排名次”。

Pointwise是工业界RAG主流，追求高效稳定；Listwise是高精度检索进阶方案，追求排序质量，适合搜索与专业场景。

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”！