一.RAG模型的过程
1.1 阶段一: 建立向量数据库（离线建库，只做一次）
- 加载数据 ：用「非结构化数据加载器」，把本地的 PDF/Word/TXT/Excel 等文件，统一提取成纯文本（Text）。
- 例子：把《公司差旅管理制度》《报销规范》等文档，全部读成纯文字。
- 文本切分 ：用「文本切分工具（Text Splitter）」，把长文本切成语义完整的小文本块（Text Chunk），比如每段 500 字左右。
- 作用：避免文本太长，嵌入模型处理不了，同时保证检索精度。
- 向量嵌入 ：用「嵌入模型（Embedding Model）」，把每个文本块转换成一串数字（向量 Embeddings）。
- 大白话：给每段文字生成「数字身份证」，语义越像，向量越接近。
- 存储索引 ：把所有向量 + 原文，存进向量数据库，做好索引。
- 作用：后续用户提问时，能一秒从海量数据里找到最相关的内容。
阶段核心作用：
把「人类能看懂的文档」，变成「AI 能快速检索的向量库」，为后续问答做准备。
1.2 阶段 2：检索阶段（用户提问后第一步）
对应图中绿框 ，是 RAG 的「搜索环节」，核心是从向量库中找到和用户问题最相关的资料。
1.2.1 完整流程：
- 用户提问（User Query）：员工问「我去北京出差 3 天，审批流程是什么？」
- 问题向量化 ：用和建库时完全相同的嵌入模型 ，把用户问题也转换成向量。
- 关键：必须用同一个模型，否则向量空间不一致，检索会完全失效。
- 相似度搜索 ：拿着问题的向量，去向量数据库里，做余弦相似度搜索，捞出最相关的 Top3/Top5 文本块。
- 例子：匹配到「出差审批流程」「申请时限」这两段最相关的制度原文。
1.2.2 阶段核心作用：
精准筛选出和用户问题相关的知识，过滤无关内容，为大模型提供「靠谱的参考资料」。
1.3 阶段 3：增强阶段（Prompt 工程核心）
对应图中黄框 ，是 RAG 的「灵魂环节」，核心是把检索到的资料，变成大模型能理解、能遵守的 Prompt，也就是「检索增强」的核心。
1.3.1 完整流程：
- 组装上下文：把检索到的相似向量对应的原文，作为「上下文 Context」。
- 套用提示词模板 ：用提前写好的 Prompt 模板，把「上下文 + 用户问题」拼成完整的 Prompt。
- 模板就是你学的「提示词五要素」，核心要求：只基于上下文回答，不准瞎编。
- 示例： 【参考资料】：{检索到的差旅制度原文}【用户问题】：我去北京出差 3 天，审批流程是什么？请严格基于参考资料回答，不得编造任何信息。
- 生成最终 Prompt ：
Prompt = Context + User Query，发给大模型。
1.3.2 阶段核心作用：
用「提示词约束」+「上下文注入」，强制大模型只从给定资料里回答，彻底解决幻觉问题，这就是「增强」的本质。
1.4 阶段 4：生成阶段（最终输出）
对应图中蓝框 ，是 RAG 的「收尾环节」，核心是大模型基于参考资料，生成最终回答。
完整流程：
- 大模型推理（LLM） ：大模型拿到 Prompt，只根据参考资料，生成符合要求的回答。
- 例子：大模型根据制度，准确告诉你审批流程、申请时限，不会乱编公司没有的规则。
- 返回给用户：把生成的回答，原样返回给提问的员工，完成一次问答。
阶段核心作用：
把「结构化的参考资料」，转换成「自然、通顺、符合人类习惯的回答」，完成从「知识检索」到「智能问答」的闭环。