RAG 入门第一篇：怎么把你的资料变成知识库

关注

原创最新推荐文章于 2026-03-21 00:30:55 发布 340 阅读 AI 写同款· GEO 优化 ›

【智能体】| 知识库、RAG概念区分以及智能体是什么我相信很多朋友使用智能体目的，除了AI对话以外，还想建立自己的知识库，让AI能结合自己提供的资料生成更有针对性的回答。这是一个很自然、也很美好的想法。但是，不少人上手操作以后却发现，效果根本不是自己想象的那样。这就是本文将要探讨的问题。很多人想象的“AI+知识库”，是自己把搜集整理的资料一股脑丢进知识库，等到自己提问的时候，AI会把里面的内容认真通读一遍，从中搜集相关内容，再综合分析思考、输出一个非常完美的答复。No，根本不是这样的！阅读详情

写在前面

春节这段时间工作、生活忙得团团转，好不容易现在有些时间，就捣鼓了一个 RAG 相关的小项目。

项目虽然不大，但做完之后，我对 RAG 的理解一下子通透了很多。

所以想写几篇文章，用大白话把 RAG 讲清楚。

如果你对这个词有点好奇，或者想深入了解，希望这个系列能给你一些启发。

📌 本篇是系列的上篇，主要讲 RAG 是什么、为什么需要它，以及离线数据处理的核心步骤。下篇会聊在线检索匹配的部分。

01 先泼盆冷水：大模型不是万能的

在聊 RAG 之前，我们得先认清一个现实：

大模型（比如 ChatGPT、文心一言、豆包）并不是什么都懂的神仙。

它有三个明显的短板：


问题类型	举个例子
不知道私有信息	你们公司的内部制度、产品规格，它压根没见过，怎么可能答得准？
会"一本正经地胡说八道"	专业术语叫「幻觉」——它编了个答案，说得头头是道，但其实是错的
垂直领域不够专业	问它医学、法律、金融的深度问题，回答可能只是"及格线"水平

那怎么办呢？

很简单：给它开小灶，喂它吃"课外资料"。

这个"喂资料 + 让它参考着回答"的技术方案，就叫 RAG。

02 RAG 到底是个啥？

RAG，全称 Retrieval-Augmented Generation，翻译过来就是「检索增强生成」。

听着很高大上？别怕，一句话解释：

让大模型先查资料，再回答问题。

整个流程分为两个阶段：


阶段	做什么	比喻
离线数据处理	提前把资料整理好，存进"知识库"	就像提前把常见问题整理成一本《答案手册》
在线检索匹配	用户提问时，先去知识库里找相关内容，再让大模型生成回答	用户问问题时，你先翻手册找答案，再润色一下告诉他

本篇重点讲离线数据处理，也就是怎么把你的资料变成大模型能用的"知识库"。

03 用一个故事讲清楚：从客服的烦恼说起

为了让大家更好理解，我们来代入一个场景。

🎬 场景设定：你是一名客服

假设你是公司的客服，每天要回答各种客户的问题。

问着问着你发现，很多问题都是重复的：

“你们产品怎么退货？”
“保修期多久？”
“怎么开发票？”

于是你做了一件聪明事：

👉 把常见问题和标准答案整理成一个 Excel 表格。

以后再有人问同样的问题，直接从表里复制答案，省时省力。

😫 但是，问题来了

时间一长，你越来越烦：

每天在 Excel 里翻来翻去找答案，眼睛都花了
客户的问法五花八门，表里明明有答案，就是搜不到
表格越来越大，找一个答案要翻半天

你心想：能不能有个 AI 帮我自动查表、自动回复啊？

🎉 RAG 出现了！

这时候，RAG 进入了你的视线，你的内心燃起了希望。

你决定用 RAG 来改造你的工作流程。

那具体怎么做呢？往下看👇

04 离线数据处理：把资料变成"知识库"

第一步：收集原材料

首先，你把手头的资料都整理出来：

自己积累的《常见问题 & 标准答案》Excel
公司产品的使用说明文档（PDF、Word）
一些产品图片、宣传册

这些就是你要喂给 RAG 的"原材料"。

第二步：文档解析——让机器"读懂"你的资料

不同格式的文件，机器处理的方式不一样：


文件类型	处理方式
图片	用 OCR（光学字符识别）把图片里的文字提取出来
PDF / Word / 网页	转换成 Markdown 或纯文本格式，方便后续处理

💡 为什么要转成 Markdown？因为 Markdown 格式结构清晰，大模型读起来更容易理解层级关系。

第三步：文档清洗——把"脏东西"去掉

解析完之后，文档里往往会有一些"杂质"，需要清理掉：

❌ 多余的空格、换行
❌ OCR 识别错误的字（比如把"目"认成"日"）
❌ 乱码、特殊符号
❌ 跟业务无关的内容（比如页眉页脚）

清洗的目的：让数据干净、规整，减少后续检索时的干扰。

第四步：文档分块——最关键的一步！

🔴 划重点：分块的好坏，直接决定后续检索效果的好坏。

为什么要分块？

两个原因：

原因一：让检索更精准

如果把一整篇文档直接丢进知识库，用户提问时，大模型要从几千字里大海捞针，很容易找不到重点。

切成小块后，能更精准地命中答案所在的那一段。

原因二：避免大模型"记不住"

大模型有个"上下文窗口"限制，一次能处理的文字量是有上限的。

塞太多内容进去，它会"前面看完，后面忘了"，回答质量反而变差。

切成小块输入，就不容易超出它的处理能力。

分块有什么技巧？


原则	解释	举例
语义要完整	一块内容最好是一个完整的主题，别把一句话切成两半	✅ 把"退货政策"整段放一块 ❌ 把"退货需要在7天内……"切到两块里
适当留重叠	块与块之间留一点重复内容，帮模型理解上下文关系	比如上一块结尾的2-3句话，在下一块开头也保留
特殊内容单独处理	代码、表格、公式这类有特定结构的内容，最好整块保留	✅ 一段完整的代码放一起 ❌ 把函数定义和函数体切开