一文读懂 RAG 与嵌入模型：大模型如何实现“读文档、答问题”

原创已于 2025-05-18 07:34:34 修改 · 663 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #语言模型 #embedding

于 2025-05-14 08:37:45 首次发布

👇微信扫一扫，关注我们，获取更多内容～
在这里插入图片描述

前言

你有没有发现，现在的大语言模型不仅能聊天、写文案，还能读懂你的文档、帮你查资料？

比如：你提问“公司的报销流程是怎样的？”它就能从员工手册中精准找到相关流程；又或者你提问“我们和A公司的合同中，付款条款是怎么写的？”它就能从数十份合同中，精准定位到相关内容，直接告诉你付款方式、周期和违约条款。

这背后的关键技术，就是最近大火的 —— RAG（Retrieval-Augmented Generation，检索增强生成）。

RAG 本质上是给大语言模型“外挂”了一个知识库，而让这个外挂真正运行起来的，正是嵌入模型（Embedding Model）。

它负责将文字转化为向量，构建语义地图，帮助模型“找资料”“看懂上下文”。可以说，没有嵌入模型，RAG 就无法理解问题、无法匹配内容、无法智能生成。

🧭 RAG 是怎么工作的？

简单来说，RAG 就是：
📚 先“读资料”：把大量文档通过嵌入模型转成向量，存入一个向量数据库。
🔍 再“找资料”：用户每次提问，系统把问题转为向量，在向量数据库中找“最相关的内容片段”。
🧾 最后“回答问题”：大模型根据这些上下文，再生成回答。
整个过程的第一步，就依赖嵌入模型。如果嵌入效果不好，RAG 检索的内容就会不相关，输出的回答就会跑偏。❌
What is Retrieval Augmented Generation (RAG)? | DataCamp

🧠 什么是嵌入模型？

嵌入模型的目标是把一段文字，变成一个“向量”——一个多维数字数组。

向量之间的“距离”代表语义上的相似程度。

比如：

🎧 “蓝牙耳机” → [0.01, -0.03, 0.07, …]
📶 “无线耳机” → [0.012, -0.032, 0.068, …]

它们向量之间的距离很小，说明语义接近。

计算机可以通过这些向量，实现语义搜索、推荐匹配、文本归类等操作。
在这里插入图片描述

⚙️ 嵌入模型是怎么工作的？

嵌入过程可以分为几个步骤：

📝 输入文字：比如“这款耳机的音质非常棒”。

✂️ 分词（Tokenization）：拆成一个个词或字（Token）。

🔢 初始编码：每个 Token 转为数字表示。

🔄 上下文建模：通过神经网络理解词与词的关系。

📌 输出向量：返回一个固定长度的向量，比如 768 维或 1536 维。

这个向量，就是这段话的“语义位置”。📍

🔍 嵌入模型在 RAG 中的应用场景

🔎 语义检索：用户问题 → 转为向量 → 在向量库中找“最接近的文档段落”。

🧾 文档问答系统：给大模型喂“与问题最相关”的语义段落，它就能生成精准回答。

🗣 多轮对话保持上下文一致性：通过嵌入来判断用户当前问题和过往内容的关联。

🏢 企业知识库接入大模型：用嵌入索引企业文件，帮助员工快速查阅信息或自动写文档。

🧪 实战示例：用 OpenAI 嵌入模型做向量生成

为了让你更直观地理解嵌入的过程，我们来看一个简单的代码示例：

from langchain_openai import OpenAIEmbeddings
# 初始化模型
embeddings_model = OpenAIEmbeddings()
# 输入查询
embedded_query = embeddings_model.embed_query("如何申请开发票？")
# 输出前5维
print(embedded_query[:5])

输出类似：：

[0.0053, -0.0004, 0.0388, -0.0030, -0.0090]

✨这一串数字就是文字的“向量表示”！不同的句子会有不同的向量，而语义相近的句子，其向量也会“靠得更近”。

🧠 小结：嵌入模型，是 RAG 的“视神经”

RAG 的强大之处，不仅是能“调用知识”，而是能“找到最对的知识”。

而这个“找到”的过程，全靠嵌入模型的语义理解能力。📡

未来，无论你是在做企业文档助手、私有化智能客服、还是个人知识管理，嵌入模型都是构建智能系统的第一步。🚀

📚项目源码

如果你想看看完整代码实现或亲自运行一遍，这里是项目的 GitHub 地址👇：
🔗 https://github.com/zhengjie9510/learn-langchain/tree/main