1. RAG 权威指南：从本地实现到生产级优化的全面实践

大型语言模型（LLM）的知识受限于其训练数据，这是一个众所周知的痛点。检索增强生成（RAG）技术应运而生，它如同一座桥梁，将这些强大的基础模型与企业所需的实时、动态信息连接起来，极大地拓展了 AI 的能力边界。RAG 将 LLM 从一个封闭的知识库，转变为一个能够提供准确、实时且紧密贴合上下文的动态工具。

本文将作为你的向导，带你深入探索 RAG 的世界。我们首先会从零开始，在本地环境中亲手构建一个完整的 RAG 应用，让你对核心流程有直观的理解。随后，我们将探讨一系列用于构建生产级解决方案的高级策略，涵盖从向量数据库选型到查询优化、再到结果重排等关键环节。

2. 理解 RAG 的核心：检索、增强与生成

从"检索增强生成"这个名字，我们就能直观地理解其三大核心支柱：

1. 检索 (Retrieval) ：当用户提出一个问题或查询时，RAG 系统并不会立即交给 LLM。相反，它会首先将用户输入作为检索指令，从一个外部的知识源（例如，你的文档、数据库或 API）中查找并获取最相关的信息片段。
1. 增强 (Augmentation) ：系统会将上一步检索到的相关信息，与用户的原始问题进行整合，形成一个内容更丰富、上下文更明确的"增强版提示词"。
1. 生成 (Generation) ：最后，这个增强后的提示词被送入 LLM。由于获得了额外的、高度相关的上下文信息，LLM 便能生成远比以往更准确、更具深度的回答。

这个流程确保了模型的输出不仅基于其内部的静态知识，更融合了外部的、最新的、特定的数据，从而有效减少了"幻觉"现象。

3. 从零到一：在本地构建你的第一个 RAG 应用

理论讲完了，让我们开始动手编码。这个实践环节将引导你在不依赖任何高级框架（如 LangChain 或 LlamaIndex）的情况下，一步步搭建一个可以运行的 RAG 系统。

3.1. 准备工作：设置环境

首先，我们需要安装一些必要的 Python 库。这些库将分别负责计算、PDF 读取、进度条显示以及与模型和嵌入相关的操作。

markdown 复制代码

    
    
    
  pip install torch PyMuPDF tqdm transformers sentence-transformers

3.2. 知识源处理：解析与分块

RAG 的第一步是处理我们的知识源。这里以 PDF 文档为例，我们将它读取、清洗并切分成适合模型处理的小块（Chunks）。

python 复制代码

    
    
    
  import fitz # PyMuPDF
from tqdm import tqdm
from spacy.lang.en import English
import re

class PDF_Processor:

    def __init__(self, pdf_path):
        self.pdf_path = pdf_path

    @staticmethod
    def text_formatter(text: str) -> str:
        # 移除文本中的换行符等不必要的字符
        cleaned_text = text.replace("\n", " ").strip()
        return cleaned_text

    @staticmethod
    def split_list(input_list: list, slice_size: int) -> list[list[str]]:
        # 将列表按指定大小切片
        return [
            input_list[i : i + slice_size]
            for i in range(0, len(input_list), slice_size)
        ]

    def _read_PDF(self) -> list[dict]:
        # 打开并逐页读取 PDF 内容
        try:
            pdf_document = fitz.open(self.pdf_path)
        except fitz.FileDataError:
            print(f"错误: 无法打开 PDF 文件 '{self.pdf_path}'.")

        pages_and_texts = []
        for page_number, page in tqdm(
            enumerate(pdf_document), total=len(pdf_document), desc="正在读取 PDF"
        ):
            text = page.get_text()
            text = self.text_formatter(text)
            
            pages_and_texts.append(
                {
                    "page_number": page_number,
                    "text": text,
                }
            )
        return pages_and_texts

    def _split_sentence(self, pages_and_texts: list):
        # 使用 spacy 将文本分割成句子
        nlp = English()
        nlp.add_pipe("sentencizer")
        for item in tqdm(pages_and_texts, desc="文本转句子"):
            item["sentences"] = list(nlp(item["text"]).sents)
            item["sentences"] = [str(sentence) for sentence in item["sentences"]]
        return pages_and_texts

    def _chunk_sentence(self, pages_and_texts: list, chunk_size: int = 10):
        # 将句子列表按指定大小分块
        for item in tqdm(pages_and_texts, desc="句子转分块"):
            item["sentence_chunks"] = self.split_list(item["sentences"], chunk_size)
        return pages_and_texts

    def _pages_and_chunks(self, pages_and_texts: list):
        # 将分块重组成独立的字典对象
        pages_and_chunks = []
        for item in tqdm(pages_and_texts, desc="处理分块"):
            for sentence_chunk in item["sentence_chunks"]:
                chunk_dict = {}
                chunk_dict["page_number"] = item["page_number"]
                
                # 合并句子块并清理格式
                joined_sentence_chunk = "".join(sentence_chunk).replace("  ", " ").strip()
                joined_sentence_chunk = re.sub(r".([A-Z])", r". \1", joined_sentence_chunk)
                
                chunk_dict["sentence_chunk"] = joined_sentence_chunk
                chunk_dict["chunk_token_count"] = len(joined_sentence_chunk) / 4 # 估算 token 数

                if chunk_dict["chunk_token_count"] > 30: # 过滤掉过短的无效块
                    pages_and_chunks.append(chunk_dict)

        return pages_and_chunks

    def run(self):
        pages_and_texts = self._read_PDF()
        self._split_sentence(pages_and_texts)
        self._chunk_sentence(pages_and_texts)
        pages_and_chunks = self._pages_and_chunks(pages_and_texts)
        return pages_and_chunks

这个类负责将输入的 PDF 转换成一系列带有元数据（如页码）的、有意义的文本块。有效的分块策略直接影响后续的检索质量。

3.3. 向量化：生成并存储嵌入

接下来，我们需要将这些文本块转换为机器能够理解的数学表示------即"嵌入"（Embeddings）。嵌入是捕捉文本语义含义的向量，它使得我们可以通过计算向量间的相似度来找到相关的文本。

python 复制代码

    
    
    
  from sentence_transformers import SentenceTransformer
import torch
from tqdm import tqdm
import pandas as pd

class SaveEmbeddings:

    def __init__(self, pdf_path, embedding_model="all-mpnet-base-v2"):
        self.device = "cuda" if torch.cuda.is_available() else "cpu"
        self.pdf_processor = PDF_Processor(pdf_path=pdf_path)
        self.pages_and_chunks = self.pdf_processor.run()
        self.embedding_model = SentenceTransformer(
            model_name_or_path=embedding_model, device=self.device
        )

    def _generate_embeddings(self):
        # 逐块生成嵌入向量
        for item in tqdm(self.pages_and_chunks, desc="正在生成嵌入"):
            item["embedding"] = self.embedding_model.encode(item["sentence_chunk"])

    def _save_embeddings(self):
        # 将带有嵌入的数据保存到 CSV 文件，便于后续使用
        data_frame = pd.DataFrame(self.pages_and_chunks)
        data_frame.to_csv("embeddings.csv", index=False)

    def run(self):
        self._generate_embeddings()
        self._save_embeddings()

这里我们使用了强大的 all-mpnet-base-v2 模型来生成嵌入，它能产生 768 维的向量。然后，我们将所有文本块及其对应的嵌入向量存储在一个 CSV 文件中。

3.4. 核心检索：实现语义搜索

有了嵌入向量，我们就可以构建检索器了。当用户查询时，我们同样将查询语句转换成嵌入向量，然后通过计算它与知识库中所有文本块向量的相似度（这里使用点积），来找出最相关的几个文本块。

python 复制代码

    
    
    
  import numpy as np
import pandas as pd
import torch
from sentence_transformers import util, SentenceTransformer

class Semantic_search:

    def __init__(self, embeddings_csv: str = "embeddings.csv"):
        self.device = "cuda" if torch.cuda.is_available() else "cpu"
        self.embeddings_df = pd.read_csv(embeddings_csv)
        self.embedding_model = SentenceTransformer(
            model_name_or_path="all-mpnet-base-v2", device=self.device
        )
        self._process_embeddings()
        self.pages_and_chunks = self.embeddings_df.to_dict(orient="records")
        self.embeddings_tensor = self._convert_embeddings_to_tensor()

    def _process_embeddings(self):
        # 从字符串格式恢复 numpy 数组
        self.embeddings_df["embedding"] = self.embeddings_df["embedding"].apply(
            lambda x: np.fromstring(x.strip("[]"), sep=" ")
        )

    def _convert_embeddings_to_tensor(self):
        return torch.tensor(
            np.array(self.embeddings_df["embedding"].tolist()), dtype=torch.float32
        ).to(self.device)

    def _retrieve_relevant_resources(self, query: str, n_resources_to_return: int = 5):
        query_embedding = self.embedding_model.encode(query, convert_to_tensor=True)
        # 计算点积分数
        dot_scores = util.dot_score(query_embedding, self.embeddings_tensor)[0]
        # 获取分数最高的前 n 个结果
        scores, indices = torch.topk(input=dot_scores, k=n_resources_to_return)
        return scores, indices

    def run(self, query: str, n_resources_to_return: int = 5):
        relevant_chunks = []
        scores, indices = self._retrieve_relevant_resources(
            query=query, n_resources_to_return=n_resources_to_return
        )

        # 根据索引找到对应的文本块
        for index in indices:
            sentence_chunk = self.pages_and_chunks[index]["sentence_chunk"]
            relevant_chunks.append(sentence_chunk)

        return relevant_chunks

注意：由于我们使用的 sentence-transformers 模型生成的嵌入是归一化的，因此使用点积等价于余弦相似度，并且计算效率更高。如果你的嵌入向量未经归一化，则应使用余弦相似度。

3.5. 增强环节：构建动态提示词

检索到的上下文不能直接丢给 LLM，我们需要通过一个精心设计的提示词模板，将上下文和原始查询优雅地结合起来。

python 复制代码

    
    
    
  class Create_prompt:
    def __init__(self):
        self.semantic_search = Semantic_search()
        self.base_prompt = """请根据以下提供的上下文信息，回答用户的问题。
在回答问题前，请先在脑中思考并从上下文中提取相关段落，但不要在最终答案中展示思考过程。
请确保你的回答尽可能详尽易懂。

上下文：
{context}

用户问题：{query}

回答："""

    def _get_releveant_chunks(self, query: str):
        return self.semantic_search.run(query=query)

    def _join_chunks(self, relevant_chunks: list):
        return "- " + "\n- ".join(item for item in relevant_chunks)

    def run(self, query: str):
        relevant_chunks = self._get_releveant_chunks(query=query)
        context = self._join_chunks(relevant_chunks)
        prompt = self.base_prompt.format(context=context, query=query)
        return prompt

3.6. 生成环节：集成 LLM

万事俱备，只欠 LLM。下面我们将加载一个本地语言模型（这里以 tiiuae/Falcon-1B-Instruct 为例，你可以换成其他兼容 transformers 库的模型），并让它根据我们生成的提示词进行回答。

ini 复制代码

    
    
    
  import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

class LLM_Model:
    def __init__(self, model_id: str = "tiiuae/Falcon-1B-Instruct"): # 这是一个较小的模型，便于本地运行
        self.device = "cuda" if torch.cuda.is_available() else "cpu"
        self.model_id = model_id
        self.tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name_or_path=model_id)
        self.llm_model = AutoModelForCausalLM.from_pretrained(
            pretrained_model_name_or_path=model_id,
            torch_dtype=torch.bfloat16, # 使用 bfloat16 以节省显存
            trust_remote_code=True,
            low_cpu_mem_usage=False,
        ).to(self.device)

        if self.tokenizer.pad_token_id is None:
            self.tokenizer.pad_token_id = self.tokenizer.eos_token_id

    def _get_model_inputs(self, base_prompt):
        # 使用模板构建模型输入
        dialogue_template = [{"role": "user", "content": base_prompt}]
        input_data = self.tokenizer.apply_chat_template(
            conversation=dialogue_template, tokenize=True, add_generation_prompt=True, return_tensors="pt"
        ).to(self.device)
        return input_data

    def run(self, base_prompt):
        input_data = self._get_model_inputs(base_prompt=base_prompt)
        output_ids = self.llm_model.generate(
            **input_data,
            max_new_tokens=256, # 控制生成文本的长度
            do_sample=True,
            pad_token_id=self.tokenizer.pad_token_id,
        )
        response = self.tokenizer.decode(output_ids[0], skip_special_tokens=True)
        # 清理模型输出，只返回助手的回答部分
        response = response.split("assistant\n")[-1].strip()
        return response

3.7. 组装完整流水线

最后，我们将所有组件串联起来，形成一个完整的、可执行的 RAG 应用。

python 复制代码

    
    
    
  import os

class Local_RAG:
    def __init__(self, pdf_path):
        self.pdf_path = pdf_path
        # 如果嵌入文件不存在，则创建它
        if not os.path.exists("embeddings.csv"):
            print("未找到嵌入文件，正在生成...")
            self.save_embeddings = SaveEmbeddings(pdf_path=self.pdf_path)
            self.save_embeddings.run()
            print("嵌入文件生成完毕。")

        self.create_prompt = Create_prompt()
        self.llm_model = LLM_Model()

    def run(self, query):
        print("正在构建提示词...")
        base_prompt = self.create_prompt.run(query=query)
        print("正在生成结果...")
        response = self.llm_model.run(base_prompt=base_prompt)
        return response

# --- 使用示例 ---
# pdf_path = "你的PDF文件路径.pdf"
# local_rag = Local_RAG(pdf_path=pdf_path)
# query = "这篇论文的目的是什么？"
# result = local_rag.run(query=query)
# print(f"\n最终答案：\n{result}")

至此，你已经拥有了一个功能完备的本地 RAG 系统。尽管它很简单，但麻雀虽小五脏俱全，它清晰地展示了 RAG 的每一个核心步骤。

4. 迈向生产级：高级 RAG 实施策略

我们刚刚构建的本地 RAG 是一个绝佳的学习工具，但要将其投入生产环境，还需要考虑可扩展性、性能和准确性等一系列问题。下面，我们将探讨一些让 RAG 系统变得更强大的高级策略。

4.1. 向量数据库选型

我们之前用 CSV 文件存储向量，这对于小型项目来说足够了。但在生产环境中，你需要一个专门的向量数据库来高效处理海量数据和高并发查询。

选择向量数据库时，需要重点关注加载延迟、召回率和每秒查询数（QPS）。市面上的热门选项包括：

• Pinecone：提供超快速的向量搜索，具备企业级合规性。
• Milvus：云原生架构，在检索速度方面表现出色。
• Weaviate：针对混合搜索进行了优化。
• Chroma：对较小的数据集非常高效。
• Elasticsearch：提供强大的混合检索和企业级的可扩展性。

你的选择应基于具体的应用场景。例如，对于需要即时响应的实时应用，Pinecone 或 Weaviate 是不错的选择；而对于大型文档的批处理，Milvus 则展现出卓越的可扩展性。

4.2. 优化嵌入模型

嵌入模型的质量直接决定了检索的天花板。你可以从 MTEB（大规模文本嵌入基准）排行榜入手，它对各种模型在不同领域的表现进行了全面比较。

选择时需要权衡维度大小与性能。像 OpenAI 的 text-embedding-ada-002（1536 维）这样的大型模型通常得分更高，但也需要更多存储和计算资源。而像 intfloat/e5-base-v2（768 维）这样更紧凑的模型，虽然基准分数稍低，但处理速度更快，存储成本也更低。

更重要的是，领域专业性。如果你的 RAG 系统专注于金融、医疗等特定领域，应优先选择在相关数据集上表现优异的模型。从一个较小的、特定领域的模型开始，通常比直接使用一个庞大的通用模型效果更好，因为后者可能在其训练数据上过拟合，导致在你的特定用例中表现不佳。此外，通过微调技术可以进一步提升嵌入模型在特定领域的性能。

4.3. 实施混合检索

单纯的向量搜索（密集检索）擅长理解语义，但有时会忽略关键词。而传统的关键词搜索（稀疏检索，如 BM25）则正好相反。混合检索结合了这两者的优点，能同时实现更高的精度和召回率。

一种实用的混合检索实现方式是，同时使用 BM25 和密集嵌入进行初步检索，然后使用一个**重排器（Reranker）**来融合两路结果，并给出最终的排序。重排器（如 BAAI/bge-reranker-base）是一个更强大的模型，它会同时评估查询和候选文档，从而更精确地判断相关性。

ini 复制代码

    
    
    
  # 混合检索与重排的伪代码示例
from some_reranker_library import Reranker

# 1. 同时从向量数据库和关键词索引（如 BM25）中检索候选文档
dense_candidates = vector_db.search(query, k=20)
sparse_candidates = bm25_index.search(query, k=20)

# 2. 合并并去重候选文档
all_candidates = list(set(dense_candidates + sparse_candidates))

# 3. 使用重排器对合并后的结果进行重新排序
reranker = Reranker(model="BAAI/bge-reranker-base")
reranked_results = reranker.rerank(query, all_candidates, top_n=5)

# 4. 将排序最高的结果作为上下文
final_context = "".join(reranked_results)

4.4. 优化查询：学会"转变"思路

用户提出的问题可能很口语化，并不总是最适合直接进行向量检索的形式。查询转换技术可以在检索前对用户的原始问题进行改写或分解，从而提升检索的相关性。

• 查询重写 (Query Rewriting) ：使用一个 LLM 将口语化的查询转换成更结构化、更利于检索的格式。例如，将"那个有坚果和籽的能量棒里都有啥成分啊？"改写成更简洁的"坚果籽粒能量棒成分"。
• 查询分解 (Query Decomposition) ：当遇到复杂问题时（例如，"对比一下 A 和 B 两种方案的优缺点"），可以将其分解成多个更简单的子问题（"A 方案的优点是什么？"、"A 方案的缺点是什么？"等），分别进行检索，然后汇总答案。
• 生成假设性文档 (HyDE) ：一种有趣的技术，它先让 LLM 根据用户问题"幻想"出一个理想的答案文档，然后用这个虚构的文档的嵌入去检索真实文档。这种方法有时能更好地捕捉到查询背后的真实意图。

4.5. 增强结果：重排与过滤

在初步检索到一批文档后，我们还可以通过后处理来进一步提升最终送入 LLM 的上下文质量。

• 交叉编码器重排 (Cross-encoder Reranking) ：我们之前在混合检索中已经提到了重排器。交叉编码器（Cross-encoder）模型是性能最好的一类重排器，它会同时处理查询和文档，从而能捕捉到更细微的关联。由于计算成本较高，它非常适合用在召回之后的第二阶段，对少量候选文档进行精排序。
• 最大边际相关性 (MMR) ：有时检索出的文档虽然相关，但内容高度重复，这会浪费宝贵的上下文窗口。MMR 算法在选择文档时，会同时考虑其与查询的相关性以及与已选文档的差异性，从而在保证相关的前提下提升信息的多样性。
• 元数据过滤 (Metadata Filtering) ：在检索时或检索后，可以根据文档的元数据（如创建日期、作者、标签等）进行过滤，排除不符合条件的文档。

4.6. 超越文本：拥抱多模态与知识图谱

现实世界中的文档远不止纯文本，它们通常包含了丰富的图片、表格、甚至是数学公式。传统的 RAG 系统在这些非文本内容面前往往束手无策。为了应对这一挑战，多模态 RAG 的概念应运而生。

一个出色的开源实例是 RAG-Anything 。它基于 LightRAG 框架构建，其核心创新在于能够统一处理和理解文本、图像、表格、公式等多种类型的内容，并将它们整合到一个统一的知识体系中。

与我们之前讨论的技术相比，RAG-Anything 引入了几个关键的升级：

1. 知识图谱作为核心 ：它不再仅仅将文本块存为独立的向量，而是将从文档中识别出的各类信息（实体、关系、图片内容、表格数据等）构建成一个知识图谱。这种方式能更好地捕捉和利用信息之间的复杂关系，实现更深层次的理解和推理。
1. 五阶段处理流程：为了精确处理复杂的文档，它设计了一个包含五个阶段的精密流水线：
- • 解析阶段：识别并提取出文档中的不同内容类型。
- • 模态处理阶段：调用专门的处理器（如图像、表格、公式处理器）对非文本内容进行理解。
- • 上下文感知处理：这是其关键创新之一。在理解一个内容元素（如一张图片）时，系统会结合其周围的文本上下文，从而获得更精准的理解。
- • 知识图谱构建：将所有处理后的结构化信息，整合并存入知识图谱。
- • 检索与生成：当用户查询时，系统可以在知识图谱上进行更复杂的检索，并生成回答。
1. 高度模块化与可扩展：系统设计了不同的模态处理器，并且易于扩展，可以应对未来可能出现的更多样的内容类型。

引入 RAG-Anything 这样的框架，意味着 RAG 系统从一个"文本问答"工具，进化成了一个能够深度理解和分析复杂、异构文档的"知识引擎"。

5. 总结

我们从零开始，亲手构建了一个本地 RAG 系统，深入了解了其内部的每一个环节。随后，我们探讨了从向量数据库、嵌入模型，到混合检索、查询转换和结果重排等一系列高级优化策略。

更进一步，通过了解像 RAG-Anything 这样的前沿项目，我们能看到 RAG 技术的未来发展方向：它正在超越纯文本的限制，迈向一个能够理解图像、表格、代码乃至更多模态的、由知识图谱驱动的全新阶段。

构建一个卓越的 RAG 系统是一个持续迭代和优化的过程。它不仅需要扎实的工程实现，更需要对数据、模型和用户需求的深刻理解。希望这篇指南能为你开启 RAG 的探索之旅提供一个坚实的起点，帮助你构建出更智能、更可靠的 AI 应用。