前言
随着大语言模型（LLM）的爆发式增长，幻觉问题、知识时效性以及数据安全壁垒成为了制约其落地的"三座大山"。检索增强生成（RAG, Retrieval-Augmented Generation）技术因其能够外挂知识库、提供可解释的引用而成为目前企业级应用的主流架构。
很多开发者知道 RAG 是"检索 + 生成"，但面对一个复杂的用户提问，系统内部到底经历了怎样的数据流转？大模型在其中究竟是"翻译官"还是"大脑"？本文将绕过浅显的 Demo 级讲解，深入技术底层，详细剖析 RAG 系统的完整生命周期。
一、 RAG 系统全流程总览（宏观视角）
一个标准的 RAG 系统处理流程可以划分为 离线数据预处理 和 在线推理问答 两大阶段。
- 离线阶段（数据工程） ：原始文档 -> 数据清洗 -> 文档分块（Chunking）-> 向量化（Embedding）-> 构建索引（Vector Index）-> 存入向量数据库。
- 在线阶段（推理问答） ：用户输入问题 -> 问题分析与拆解 -> 向量检索召回 -> 重排序（Rerank）-> 上下文注入（Prompt Engineering）-> LLM 生成 -> 引用溯源与输出。
二、 离线预处理：决定 RAG 效果的上限
在线检索的质量高度依赖离线处理的数据颗粒度。
1. 数据清洗与分块策略
不能简单地将 PDF 或 Word 直接丢进去。我们需要针对 Markdown、表格、代码块进行结构化解析。分块（Chunking）策略是这里的核心难点：
- 固定大小分块：容易切断语义，导致检索时上下文不完整。
- 基于语义的递归分块 ：利用
RecursiveCharacterTextSplitter根据段落、句子边界切分，保证每个 Chunk 拥有完整的语义单元。 - 元数据附着：在每个 Chunk 上打上文件名、章节标题、时间戳等标签，便于后续的过滤检索。
2. 向量化模型的选择
并非所有场景都适用通用 Embedding 模型。对于医疗、法律等垂直领域，使用 BGE 或通用文本向量模型进行微调，能显著提升相似度计算的准确性。
三、 在线推理第一步：问题是如何被"拆解"的？（Query 拆解）
这是 RAG 系统中容易被忽视但极具价值的一环。用户的原始问题往往是口语化、模糊甚至包含多重意图的。直接拿原始问题去检索，召回率往往很低。
问题拆解（Query Transformation）的几种主流范式：
| 拆解策略 | 适用场景 | 技术实现示例 |
|---|---|---|
| HyDE (假设性文档嵌入) | 用户问题过于简短 | 让 LLM 先根据问题生成一段"假想答案"，然后用假想答案去向量库检索。这解决了"查询语句"与"文档语句"语义鸿沟的问题。 |
| 多路查询（Multi-Query） | 问题涉及多个实体或对比 | 利用 LLM 将复杂问题扩展为 3-5 个不同视角的相似问题，并行检索，合并结果。例如：用户问"如何优化 MySQL 性能？"扩展为"MySQL 慢查询优化"、"MySQL 索引调优"、"MySQL 缓存策略"。 |
| 子问题分解（Decomposition） | 多跳推理（Multi-hop）问题 | 例如问题："《三体》作者获过的最高文学奖是什么？"拆解为 (1) 《三体》作者是谁？ (2) 该作者获过哪些文学奖？ (3) 其中最高级别的是？ |
| Step-back Prompting | 需要背景知识的问题 | 将具体问题抽象化。问"为什么特定函数报错"，退回一步问"该编程语言的基础异常处理机制"。 |
在这个阶段，LLM 扮演的是"问题重构师"的角色，它并不负责提供事实，而是负责理解用户意图，生成更利于检索的关键词或伪代码。
四、 向量检索与重排序：从"大海捞针"到"精准定位"
1. 检索（Retrieval）
系统将拆解后的多个 Query 转化为 Embedding 向量，在向量数据库中进行 ANN（近似最近邻）搜索。这一步通常会设置一个较大的召回值（Top K，例如 50），宁可多召回，也不能漏掉。
2. 重排序（Rerank）
这是 RAG 流程中的"精筛"环节。由于向量相似度有时并不完全等于语义相关性，我们需要一个更强大的交叉编码器（Cross-Encoder）对召回的 50 个 Chunks 进行逐一打分（0-1 相关性分数）。最终只选择得分最高的 Top 3 或 Top 5 送入大模型。
注意：重排序模型的计算开销较大，因此通常采用"粗排+精排"的级联架构。
五、 大模型（LLM）在 RAG 中到底负责什么？
很多人误以为大模型在 RAG 里只是负责"把检索到的资料复述一遍"，但实际上，大模型承担了 3 个至关重要的认知职责：
1. 上下文整合与去噪
检索回来的文档可能包含相互矛盾的信息或无关的噪音。大模型需要利用其语义理解能力，自动忽略不相关的检索片段，聚焦于高置信度的信息。
2. 推理与逻辑缝合
大模型不是"搬运工"，而是"逻辑组装师"。它需要将多个碎片化的文本片段，按照逻辑因果、时间顺序或空间结构重新组织成连贯的段落。
3. 未登录知识的拒绝与兜底
这是 RAG 中最体现模型"智能"的地方。如果检索到的文档置信度极低，或者明显与问题无关，优秀的大模型应该能够识别这一点并回复："根据现有资料无法回答该问题。"------这有效缓解了 LLM 的幻觉问题。
六、 最终输出：不仅是"答案"
RAG 系统的最终输出远比一个简单的 result 字符串要丰富。为了提升用户体验和信任度，一个工业级的 RAG 输出应该包含以下结构：
json
{
"final_answer": "根据2025年Q3财报，该公司营收增长主要得益于AI芯片业务的爆发...",
"references": [
{
"source": "2025_annual_report.pdf",
"page": 42,
"content_snippet": "AI芯片出货量同比增长300%..."
}
],
"thinking_trace": "已检索到 3 篇相关文档，主要依据财务报告章节进行回答。",
"related_questions": ["该公司的毛利率是多少？", "主要竞争对手是谁？"]
}- 最终答案：生成的自然语言回复。
- 溯源引用：告诉用户这句话出自哪份文档的第几页，实现 RAG 的可解释性（这是企业级应用的刚需）。
- 追问推荐：基于当前上下文，LLM 生成的智能问答引导。
七、 关键痛点与优化方向（总结展望）
- 上下文丢失 ：中间部分的检索内容容易被长上下文模型"遗忘"，需采用
Lost in the Middle的注意力优化策略。 - 检索延迟 ：重排序和 LLM 推理是主要耗时点，可通过 流式输出（Streaming） 和 Prefetch（预取） 缓解用户等待焦虑。
- 评估体系：建议引入 RAGAS 等评估框架，从 Faithfulness（忠实度）和 Answer Relevance（答案相关性）两个维度自动化评估系统效果。
八、面试回答
RAG完整处理流程
第一步：索引阶段（离线）
- 先把你的文档切分成小块（比如500字一段），然后调用Embedding模型把每一块转成向量。
- 把这些向量存到向量数据库里（比如Milvus、Pinecone、Faiss），同时最好把原始文本也存下来。
第二步：检索阶段（在线）
- 用户问一个问题，比如"我们公司的年假政策是什么？"
- 系统同样用同一个Embedding模型把这个问题转成向量。
- 去向量数据库里做相似度搜索，找回最相关的Top-K个文本块（比如最相似的3段）。
第三步：生成阶段（在线）
- 把用户的问题 + 检索到的文本块，拼成一个提示词（Prompt）。
- 送给大模型（比如GPT、文心一言、Llama）。
- 大模型基于这些检索到的信息来生成最终答案。
问题如何拆解？
常用的拆解策略：
- 按逻辑步骤拆（因果、时间顺序）
- 按实体关系拆（人名、地名、事件）
- 用Few-shot例子 或让大模型自己拆（比如提示："请把这个问题拆成3个可检索的子问题"）
大模型负责什么？
大模型在RAG里主要做三件事：
- 理解与改写 （入口）
有时先让大模型把用户口语化的问题改写成更适合检索的查询，比如用户说"那个很火的手机是啥来着"，改写成"2024年销量最高的智能手机型号"。 - 答案生成 （核心）
拿到检索的文本块后，大模型要做的事是：基于这些信息生成答案，不能瞎编 。它还要做融合------如果多块信息有冲突，它能判断哪个更可信；如果信息缺失，它会说"根据现有资料无法回答"。 - 可选的后处理
比如总结、翻译、格式化输出（JSON/表格）。另外也可以让大模型检查答案是否真的来自检索内容，避免幻觉。
最终输出什么？
最基础的输出就是一段自然语言的文本答案，但实际工程中通常输出一个结构化的对象。
还可能附带：
- 检索到的原文片段（供用户核验）
- 相关的追问建议（比如"你想了解年假申请流程吗？"）
结语
RAG 系统不仅仅是"向量数据库 + ChatGPT"的简单拼接。从 Query 的拆解改写，到 Rerank 的精准过滤，再到 LLM 的逻辑整合与引用输出，每一个环节都充满了工程与算法的博弈。
希望通过本文的梳理，能帮助你构建一个更稳定、更智能的 RAG 应用。欢迎在评论区留言讨论你在落地过程中遇到的坑！