RAG实践:一文掌握大模型RAG过程

一、RAG是什么？

RAG（Retrieval-Augmented Generation，检索增强生成） , 一种AI框架，将传统的信息检索系统(例如数据库)的优势与生成式大语言模型(LLM)的功能结合在一起。不再依赖LLM训练时的固有知识，而是在回答问题前，先从外部资料库中"翻书"找资料，基于这些资料生成更准确的答案。

RAG技术核心缓解大模型落地应用的几个关键问题：

▪知识新鲜度：大模型突破模型训练数据的时间限制

▪幻觉问题：降低生成答案的虚构概率，提供参照来源

▪信息安全：通过外挂知识库而不是内部训练数据，减少隐私泄露

▪垂直领域知识：无需训练直接整合垂直领域知识

二、RAG核心流程

2.1 知识准备阶段

1、数据预处理

1、文档解析

▪输入：原始文档（如Markdown/PDF/HTML）

▪操作：

▪提取纯文本（如解析Markdown标题、段落）

▪处理特殊格式（如代码块、表格、图片、视频等）

例如:

scss 复制代码

[标题] 什么是 ROMA？
[段落] ROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。
[段落] ROMA 框架的中文名为罗码。
[标题] 今天天气
[列表项] 今天的室外温度为35°C，天气晴朗。

文档的解析过程需要考虑不同文档内容例如文本、图片、表格等场景，以及文档的语言，布局情况，可以考虑使用一些优秀的三方工具或者一些视觉模型，布局分析模型，语义理解模型来辅助解析。

2、数据清洗与标准化处理

提升文本质量和一致性，使向量表示更准确，从而增强检索相关性和LLM回答质量；同时消除噪声和不规则格式，确保系统能正确理解和处理文档内容。

包括:

▪去除特殊字符、标签、乱码、重复内容。

▪文本标准化，例如时间、单位标准化（如"今天" → "2025-07-17"）。

▪其他处理

数据的清洗和标准化过程可以使用一些工具或NLTK、spaCy等NLP工具进行处理。

例如:

bash 复制代码

<p>ROMA框架</p>
处理： 
"ROMA框架"

今天的室外温度为35°C，天气晴朗。
处理：
"2025-07-17 的室外温度为35°C，天气晴朗"

3、元数据提取

关于数据的数据，用于描述和提供有关数据的附加信息。

▪文档来源：文档的出处，例如URL、文件名、数据库记录等。

▪创建时间：文档的创建或更新时间。

▪作者信息：文档的作者或编辑者。

▪文档类型：文档的类型，如新闻文章、学术论文、博客等。

▪ ...

元数据在RAG中也非常重要，不仅提供了额外的上下文信息，还能提升检索质量:

检索增强

▪精准过滤：按时间、作者、主题等缩小搜索范围

▪相关性提升：结合向量相似度和元数据特征提高检索准确性

上下文丰富

▪来源标注：提供文档来源、作者、发布日期等信息

▪文档关系：展示文档间的层级或引用关系

常见的元数据提取方式:

▪正则/HTML/... 等解析工具，提取标题、作者、日期等

▪自然语言处理: 使用NLP技术（如命名实体识别、关键词提取）从文档内容中提取元数据，如人名、地名、组织名、关键词等

▪机器学习模型: 训练机器学习模型来自动提取元数据

▪通过调用外部API（如Google Scholar API、Wikipedia API）获取文档的元数据

▪...

例如:

bash 复制代码

complete_metadata_chunk1 = {
    'file_path': '/mydocs/roma_intro.md',
    'file_name': 'roma_intro.md',
    'chunk_id': 0,
    'section_title': '# 什么是 ROMA？',
    'subsection_title': '',
    'section_type': 'section',
    'chunking_strategy': 3,
    'content_type': 'product_description',
    'main_entity': 'ROMA',
    'language': 'zh-CN',
    'creation_date': '2025-07-02',  # 从文件系统获取
    'word_count': 42  # 计算得出,
    'topics': ['ROMA', '前端框架', '跨平台开发'],
    'entities': {
        'products': ['ROMA', 'Jue语言'], # 实体识别
        'platforms': ['iOS', 'Android', 'Web']
    },
}

2、内容分块(Chunking)

在RAG架构中，分块既是核心，也是挑战，它直接影响检索精度、生成质量，需要在检索精度、语境完整性和计算性能之间取得平衡。

内容分块将长文档切分成小块，可以解决向量模型的token长度限制，使RAG更精确定位相关信息，提升检索精度和计算效率。

autobots 功能分块:

实际RAG框架中按照文档的特性选择合适的分块策略进行分块.

常见的分块策略

1. 按大小分块

按固定字符数进行分块，实现简单但可能切断语义单元。

优点：实现简单且计算开销小，块大小均匀便于管理。

缺点：可能切断语义单元，如句子或段落被分到不同块中。

例如：

scss 复制代码

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony

第二段：、Web三端运行的跨平台解决方案。ROMA框架的中文名为罗码。

句子被截断，"一份代码，可在iOS、Android、Harmony" 和 "、Web三端运行的跨平台解决方案" 被分到不同块，影响理解。

2. 按段落分块

以段落为基本单位进行分块，保持段落完整性，但段落长度可能差异很大。

优点：尊重文档自然结构，保留完整语义单元。

缺点：段落长度差异大，可能导致块大小不均衡。

例如：

bash 复制代码

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony、Web三端运行的跨平台解决方案。ROMA框架的中文名为罗码。

第二段：# 核心特性1. 跨平台：一套代码运行于多端2. 高性能：接近原生的性能表现3. 可扩展：丰富的插件系统

第一段包含标题和多行内容，而其他段落相对较短，可能导致检索不均衡。

3. 按语义分块

基于文本语义相似度进行动态分块，保持语义连贯性，但计算开销大。

说明：基于文本语义相似度动态调整分块边界。

优点：保持语义连贯性，能识别内容主题边界。

示例：

bash 复制代码

第一段：# ROMA框架介绍ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)。
一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。

第二段：ROMA框架的中文名为罗码。
## 核心特性1. 跨平台：一套代码运行于多端

使用依赖模型质量，相同文本在不同运行中可能产生不同分块结果。

分块策略总结：

优化方式

▪混合分块策略

结合多种分块方法的优点，如先按段落分块，再根据块大小调整，做到既保持语义完整性，又能控制块大小均匀

▪优化重叠区域

根据内容特性动态调整块之间的重叠区域大小，关键信息出现在多个块中，提高检索召回率

常用的分块工具

▪LangChain框架：提供多种分块策略，包括RecursiveCharacterTextSplitter、MarkdownTextSplitter等

▪NLTK：用于基于自然语言句子的分块

▪spaCy：提供语言学感知的文本分割

3、向量化（Embedding）

将高维文本数据压缩到低维空间，便于处理和存储。将文本转换为计算机可以理解的数值，使得计算机能够理解和处理语义信息，从而在海量数据文本中实现快速、高效的相似度计算和检索。

简单理解：通过一组数字来代表文本内容的"本质"。

例如，"ROMA是一个跨平台解决方案..."这句话可能被转换为一个384维的向量：

scss 复制代码

[块1] 什么是ROMA？
ROMA是一个全自主研发的前端开发框架，基于自定义DSL(Jue语言)...

[  {    "chunk_id": "doc1_chunk1",    "text": "# 什么是 ROMA？\nROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web端运行的跨平台解决方案。",    "vector": [0.041, -0.018, 0.063, ..., 0.027],
    "metadata": {
      "source": "roma_introduction.md",
      "position": 0,
      "title": "ROMA框架介绍"
    }
  },
  // 更多文档块...
]

常用的Embedding模型

模型名称	开发者	维度	特点
all-minilm-l6-v2	Hugging Face	384	高效推理，多任务支持，易于部署，适合资源受限环境
Text-embedding-ada-002	OpenAI	1536	性能优秀，但可能在国内使用不太方便。
BERT embedding	Google	768 (base) 1024 (large)	广泛用于各种自然语言处理任务。
BGE (Baidu's General Embedding)	百度	768	在HuggingFace的MTEB上排名前2，表现非常出色。

4、向量数据库入库

将生成的向量数据和元数据进行存储，同时创建索引结构来支持快速相似性搜索。

常用的向量数据库包括：

数据库	复杂度	核心优势	主要局限	适用场景
ChromaDB	低	轻量易用, Python集成	仅支持小规模数据	原型开发、小型项目
FAISS	中	十亿级向量检索, 高性能	需自行实现特殊化	学术研究、大规模检索
Milvus	高	分布式扩展, 多数据类型支持	部署复杂, 资源消耗大	企业级生产环境
Pinecone	低	全托管, 自动扩缩容	成本高, 数据在第三方云	无运维团队/SaaS应用
Elasticsearch	高	全文搜索强大，生态系统丰富	向量搜索为后加功能，性能较专用解决方案差	日志分析、全文搜索、通用数据存储

2.2 问答阶段

1、查询预处理

` 意图识别： 使用分类模型区分问题类型（事实查询、建议、闲聊等）。

问题预处理： 问题内容清洗和标准化，过程与前面数据预处理类似。

查询增强: ****使用知识库或LLM生成同义词（如"动态化" → "Roma"），上下文补全可以结合历史会话总结（例如用户之前问过"Roma是什么"）。

2、数据检索(召回)

1、向量化

使用与入库前数据向量化相同的模型，将处理后的问题内容向量化。

例子:

css 复制代码

问题: "ROMA是什么?"

处理后
{
    "vector": [0.052, -0.021, 0.075, ..., 0.033],
    "top_k": 3,
    "score_threshold": 0.8,
    "filter": {"doc_type": "技术文档"}
}

2、检索

相似度检索：查询向量与所存储的向量最相似(通过余弦相似度匹配)的前 top_k 个文档块。

关键词检索：倒排索引的传统方法,检索包含"Roma"、"优势"等精确关键词的文档。

混合检索：合并上面多种检索结果，效果最优。

例如：检索"ROMA是什么?"

3、重排序(Reranking)

初步检索在精度和语义理解上的不足，通过更精细的上下文分析提升结果相关性。它能更好处理同义词替换、一词多义等语义细微差异，使最终结果准确。

原理：使用模型对每个检索结果计算相关性分数。

归一化：重排序模型原始输出分数没有固定的范围，它可能是任意实数，将结果归一化处理，将分数映射到 [0, 1] 范围内，使其更容易与向量相似度分数进行比较。

例如：

常用的重排序模型:

3、信息整合

格式化检索的结果，构建提示词模板，同时将搜索的内容截断或摘要长文本以适应LLM上下文窗口token。

提示词优化:

限定回答范围
要求标注来源
设置拒绝回答规则
...

例如：

less 复制代码

prompt 模板：

你是一名ROMA框架专家，请基于以下上下文回答：

参考信息:
[文档1] 什么是 ROMA？
ROMA 是一个全自主研发的前端开发基于自定义DSL(Jue语言)，一份代码，可在iOS、Android、Harmony、Web四端运行的跨平台解决方案。
ROMA 框架的中文名为罗码。
[文档2] Roma介绍？
[Roma介绍](docs/guide/guide/introduction.md)
文档地址: https://roma-design.jd.com/docs/guide/guide/introduction.html

要求：
1. 分步骤说明，含代码示例
2. 标注来源文档版本
3. 如果参考信息中没有相关内容，请直接说明无法回答，不要编造信息

请基于以下参考信息回答用户的问题。如果参考信息中没有相关内容，请直接说明无法回答，不要编造信息。


用户问题: ROMA是什么？

回答: {answer}

4、LLM生成

向LLM（如GPT-4、Claude）发送提示，获取生成结果。

autobots示例：

以上，实现了最简单的RAG流程。实际的RAG过程会比上述麻烦更多，包括图片、表格等多模态内容的处理，更复杂的文本解析和预处理过程，文档格式的兼容，结构化与非结构化数据的兼容等等。

最后RAG各阶段优化方式：