从 Token 到 RAG：我这一周搭起的大模型基础认知地图

这是一篇面向入门学习者的学习复盘，作为向Agent方向转变的第一步，旨在搞懂这些耳熟能详的基本概念，以及梳理它们在一次大模型回答中如何连接。

1. 为什么开始学这些

• 我是一名典型的学院派，一直以来秉承的思想是，如果要弄懂一个领域的知识，那么一定要从它最基础的概念开始学起。LLM、Agent大家都会用，但模型是如何理解文字，又是如何生成答案的？我想要搞懂这些。
• 这一周我学习的范围覆盖到了LLM基础的一些概念：Token、Embedding、Transformer、Attention、RAG、KV Cache。
• 这篇文章的目标：建立一张可回看的LLM基础认知地图。

2. 先给出总图：一次回答是怎样产生的

先概括全链路：

文本先被 Tokenizer 切分为 Token，再编码为 Token ID（整数）；模型通过 Embedding 表将 Token ID 映射为向量。Transformer 通过 Attention 处理上下文，再逐个预测后续 Token。当模型需要参数之外的知识时，RAG 会先检索外部资料并补充到上下文；在连续生成时，KV Cache 会在每层 Self-Attention 中复用已经计算出的历史 K/V，避免重复计算。

graph TD A[用户问题] --> B[按需检索外部资料] B --> C[组装完整上下文] C --> D[Tokenizer 输出 Token ID] D --> E[Token embedding] E --> F[Transformer 处理上下文] F --> G[预测下一个 Token] G --> H[每层保存历史 K V] H --> I[继续生成直到结束]

3. 六个概念：我分别理解了什么

每个小节都按以下顺序展开：

• 它解决什么问题
• 我现在如何理解这个概念
• 它与前后概念怎样连接
• 我原先的误解或仍未解决的疑问

3.1 Token：模型先看到的不是文字

LLM 的一大优势，是它能够理解人类的自然语言，并且以自然语言跟人类进行交互。站在模型的计算视角，它直接接收的不是英文单词或中文汉字，而是由 Tokenizer 编码得到的 Token ID 序列。Token 是编码单元，Token ID 才是对应的离散整数；语义处理发生在后续的连续表示和上下文化计算中。

Token 与单词或汉字并不是一一对应的关系。以英文为例，"空格 + 单词""词组"都可能成为 Token。自然语言先被 Tokenizer 切分为 Token，并编码为 Token ID 序列后输入 LLM；LLM 生成新的 Token ID 后，再由 Tokenizer 解码回自然语言返回给人类。完成这类切分和编解码的组件叫作 Tokenizer。

Tokenizer 可以作为独立组件设计，不同模型也可能使用相同或不同的切分算法；但一个已经训练好的模型必须配合与其词表和 Token ID 对应的 Tokenizer 使用。因为模型的 Embedding 表和输出层都按这套 ID 映射训练，不能在推理时任意换用另一套 Tokenizer。

下面列出几种常见的 OpenAI 编码示例。它们不是"整个模型系列唯一且永久的规格"，具体应以对应模型和 API 文档为准：

适用模型示例	常用 Tokenizer 编码	Vocabulary Size（约）
GPT-2	BPE（r50k_base）	50,257
text-davinci-002 / text-davinci-003	p50k_base	50,281
GPT-3.5 Turbo / 早期 GPT-4	cl100k_base	100,256
GPT-4o	o200k_base	200,000

可以使用 GPT Tokenizer 在线查看一句提示词会如何切分。该网站是第三方工具；实际 API 的计费和截断仍应以所用模型与服务端返回为准。

3.2 Embedding：离散 ID 如何进入连续计算

在Tokenizer过程中，自然语言被转换为计算机能够处理、存储的整数 ID。但 ID 只是离散索引：它的大小和与其他 ID 的差值都不包含词义，不能直接支持模型学习语义关系。

因此，模型需要把 Token ID 映射为多维的 向量（Vector） ，以便进行连续数值计算。这个映射称为 token embedding（Token 嵌入，本文简称 Embedding） ；传统的 word embedding（词嵌入） 是在词级 Tokenization 下的特例。

例如，18342 与 18343 的数值接近，并不表示两个 Token 的含义接近。模型需要把这个索引转换为能参与连续数值计算的表示。

Embedding 的本质：一张可训练的查找表

Embedding 并不是把 Token 放进某个复杂公式后"算出"向量，而是从一个巨大的、可训练的 Embedding 表 中查出对应的一行。若词表大小为 V，每个向量的维度为 d，这张表可写成：

E \in \mathbb{R}^{V \times d}

例如，假设一个模型有 50,000 个 Token、每个 Token 用 768 个数表示，那么 E 就是一张 50,000 × 768 的参数表。Tokenizer 为某个 Token 分配 ID 18342 后，模型取出第 18342 行：

Token ID: 18342
    ↓ 查表
E[18342] = [0.18, -0.74, 0.51, ..., 0.09]  # 共 768 个数

也就是说，代码层面的直觉接近于 vector = embedding[tokenId]。实现中不会真的先构造 one-hot 向量再相乘；但在数学上，"取第 tokenId 行"与 one-hot 向量乘以矩阵 E 是等价的。

一段 Token ID 序列会得到一段初始向量序列。例如 [42, 317, 8] 会从表中取出三行，组成一个 3 × 768 的矩阵。此时，每个向量仍只是与 Token ID 对应的静态起点，尚未结合这次句子的上下文。

graph TD A[输入文本] --> B[Tokenizer 输出 Token ID] B --> C[Embedding 表查找] C --> D[初始向量 x] D --> E[加入位置信息] E --> F[Transformer 上下文处理] F --> G[上下文化表示 h_t] G --> H[预测下一个 Token] H --> I[训练时计算 Loss] I --> J[反向传播更新参数]

Embedding 表中的数字是谁决定的？

它们不是工程师逐个填写的。训练开始时，Embedding 表的数值通常是随机初始化的；模型在大量文本上反复执行"根据前文预测下一个 Token"。预测偏离真实答案时，Loss 会通过反向传播更新模型参数，其中也包括 Embedding 表中本次计算涉及的行。经过大量训练，这些行逐渐形成对训练任务有用的统计结构。

因此，向量空间中相近的 Token 往往在训练语料中具有相似的上下文分布；但"向量距离近"只是一种统计上的相似信号，不是词义真值，也不能单独证明逻辑关系。

静态的初始向量，不等于模型已经理解了上下文

对同一个模型版本而言，同一个 Token ID 每次都会查到 Embedding 表中的同一行。比如一个 Token 在"我吃了苹果"和"苹果发布了新产品"中，如果它恰好是同一个 Token ID，那么初始向量相同。真正随语境变化的是后续 Transformer 层产生的 hidden state：Attention 会结合周围 Token，使两个位置得到不同的上下文化表示。

这里的前提是"同一个 Token ID"。大小写、空格和不同 Tokenizer 都可能让看起来相同或相近的文字被切成不同 Token，因而查到不同的行。

可以把 Embedding 类比成字典中固定的词条入口；Transformer 则是在完整句子中判断这个词此刻具体表达什么。前者提供连续计算的起点，后者才承担根据上下文"重新赋义"的工作。

图：同一个 Apple Token 先查到固定的 Embedding 表行；进入不同上下文后，Transformer 会产生不同的 hidden state。水果和公司不是由初始 Embedding 直接区分，而是在上下文化计算后分化。

3.3 Attention：当前位置如何关注上下文

在上一步 Embedding 中，系统将 Token ID 转换为多维向量 Vector，把 Token 的含义蕴含到向量的参数当中，这一步通常是通过查表来完成的。

此时得到的向量，是根据训练数据集得到的一般化表示，并不包含会话上下文信息。例如"Apple"，在超市购物的语境下，它表示水果；在科技公司的语境下，它表示苹果公司。这些具体的语境信息，需要通过会话上下文获取。Self-Attention（自注意力）就是让当前位置从可见上下文中聚合相关信息的计算。

Q，K，V

《Attention Is All You Need》将基于 Q、K、V 的缩放点积 Attention 作为 Transformer 的核心组件；Q、K、V 的思想本身并非只由这篇论文首次提出。

Q、K、V 是站在Token的视角下，提出的概念：

名称	本质	可以理解成
Query	我需要什么信息	我的关注需求
Key	我能提供什么信息	我的标签
Value	可被加权组合的信息特征	我能提供的内容

用一句话概括某一层、某一个 attention head 的行为：当前位置的 Q 会与所有可见位置的 K 计算匹配度，再用所得权重对这些位置的 V 做加权求和，生成当前位置的新表示。它不是只找到一个最匹配的 K，再直接取出一个 V。

举例来说，对于下面这句话：

Most of the work is junk.

本文讨论的是 GPT 类 decoder-only 模型，因此位置只能看见自己和左侧 Token。假设当前处理到最后一个 Token"junk"，我们为它计算 Self-Attention；它可以关注 Most of the work is junk，但不能关注它右侧尚未出现的 Token。

• 第一步，先为句中每个 Token 取得初始表示。在第一层，它近似是 Embedding + 位置信息；后续层的输入则是上一层产生的 hidden state。
• 第二步，在某一层的某一个 attention head 中，为所有可见 Token 生成 Q、K、V。若该层输入记为 X，则：

Q = XW_Q, \quad K = XW_K, \quad V = XW_V

其中 WQ、WK、WV 都是训练得到的参数。不同 Transformer 层、不同 attention head 通常拥有各自的投影参数，并不是整个模型只共享一组 WQ/WK/WV。

• 第三步，用 Q(junk) 与所有可见 Token 的 K 计算分数，经过因果遮罩和 Softmax 后得到 attention weights。下面只是便于理解的假设数值：

可见 Token	对 junk 的 attention weight
Most	0.05
of	0.06
the	0.05
work	0.40
is	0.24
junk	0.20

• 第四步，模型用所有可见位置的 V 做加权求和，例如 0.05V(Most) + ... + 0.40V(work) + ... + 0.20V(junk)，得到"junk"在这一层的新表示。这里更新的不是 Embedding 表中的 E(junk)，而是这次输入中"junk"位置的 contextual representation；随后它还会经过残差连接和 Feed Forward 网络。

整个更新过程如下：

graph TD A[Token] --> B[Embedding 加位置信息] B --> C[Q K V 投影] C --> D[Self Attention] D --> E[新的表示 H1] E --> F[Feed Forward] F --> G[新的表示 H2] G --> H[下一层 Transformer Block]

3.4 Transformer：把 Attention 组织成生成模型

Self-Attention 说明"一个位置如何从上下文吸收信息"；Transformer 则把这种计算与 MLP、残差连接和多层堆叠组织起来，逐步生成足以预测下一个 Token 的上下文化表示。对 GPT 这类 decoder-only 模型而言，模型在推理阶段每次只根据已有前缀预测一个 Token，再把它追加回前缀继续计算。本节描述的是这个生成过程；训练时通常会将完整序列同时输入，并在多个位置并行计算训练目标。

简要的生成流程，如下图所示：

graph TD A[Token embedding 加位置信息] --> B[Masked Self Attention] B --> C[残差连接与归一化] C --> D[MLP Feed Forward Network] D --> E[残差连接与归一化] E --> F[重复 N 个 Decoder Block] F --> G[最后位置 hidden state] G --> H[LM Head 映射到词表] H --> I[logits] I --> J[Softmax 概率分布] J --> K[采样或贪心选择] K --> L[追加 Token 并进入下一轮]

一个 Decoder Block 内的几个组件各有分工：

• Masked Multi-Head Self-Attention：当前位置只能关注自己和左侧前缀；多个 attention head 并行地从不同角度建立 Token 间的关系。
• MLP / Feed Forward Network：在每个位置上独立地做进一步的非线性特征加工，不负责 Token 之间的信息交换。
• 残差连接与归一化：让新计算结果与原有表示结合，并使大量 Block 的堆叠保持稳定。不同模型会采用 pre-norm 或 post-norm 等具体变体，此处无需展开。

经过 N 个 Block 后，模型取最后一个位置的 hidden state，用 LM Head 将它映射为词表中每个候选 Token 的一个分数，这些分数叫作 logits。Softmax 把 logits 转为概率分布；随后才由解码策略选择下一个 Token：贪心策略取概率最高者，采样策略则会按概率保留一定随机性。

因此，大模型并不是一次性写完整段文字，而是以已有前缀为条件，逐个预测并追加 Token。这种循环会反复使用历史 Token 的 K/V；如果每次都重新计算整个前缀，成本会迅速增长，这正是下一节 KV Cache 要解决的问题。

3.5 KV Cache：生成时如何避免反复计算

在 推理 过程中，LLM 会执行类似"文字接龙"的生成，一次产生一个 Token。一次完整回答通常先经历一次 prefill，随后进入逐 Token 的 decode 循环。

• prefill：一次处理完整 prompt，并为每层生成历史 Token 的 K/V。
• decode：后续每次只输入一个新 Token，计算它的 Q/K/V，再把新 K/V 追加到缓存。

Prefill 阶段处理的是组装完成的完整 prompt，而非仅用户原始提问；它通常包含系统指令、对话历史、当前问题，以及可能的 RAG 检索资料。

在模型进行一次回答的过程中，会执行几次prefill、几次decode？

一次不调用工具、不中断的普通回答通常是：

• 1 次 prefill：处理完整 prompt，并直接据此预测出第一个输出 Token。
• 约 N 次 decode：随后按 Token 逐步生成；N 与回答长度有关。

严格按一次 forward 计算：若回答共生成 N 个 Token，prefill 已产生第一个 Token，后面通常需要 N - 1 次 decode forward。但工程上也常把"生成 N 个 Token"笼统称为 N 个 decode 步骤，取决于统计口径。

例如回答为 100 个 Token：大致是 1 次 prefill，加约 99 次逐 Token decode。若模型调用工具、插入 RAG 新资料后继续回答，会对新增上下文进行一次 prefill 式处理；是否重算完整前缀，则取决于推理服务是否能够复用已有会话的 KV Cache。

在这个过程里，KV Cache是哪一步发生作用的？

KV Cache 分两步发生作用：

• Prefill 阶段：建立 Cache

  模型一次处理完整 prompt。每一层都会算出 prompt 中所有 Token 的 K/V，并存进 KV Cache。此时主要是"建缓存"；模型也据此预测第一个输出Token。

• Decode 阶段：读取并扩展 Cache

  KV Cache 真正带来加速。每生成一个新 Token，模型不再把整个 prompt 和历史输出重新送进 Transformer，而是

  1. 只处理这个新 Token；
  2. 为它计算当前层的 Q/K/V；
  3. 用 q_t 与 [K_past, k_t] 计算 attention 权重，再对 [V_past, v_t] 做加权求和；
  4. 将新 Token 的 k_t/v_t 追加回 Cache；
  5. 预测下一个 Token。

图：Prefill 一次处理完整 Prompt，并在每一层建立历史 K/V；后续 Decode 每次只处理一个新 Token，用当前 q_t 读取历史 K/V，同时将新产生的 k_t/v_t 追加到缓存。图中的省略号表示其余层遵循相同过程。

3.6 RAG：模型需要外部知识时怎么办

前面的 Token、Embedding、Attention 和 Transformer，讨论的都是模型如何处理已经放进上下文的文本。但模型本身的参数不会随着公司文档更新、代码刚提交或者新闻发生而自动变化。即使模型在训练时见过某个知识，也未必记得准确，更不能保证它知道今天刚发生的事情。

如果我们希望模型在回答时能够参考一份会更新的外部资料，就需要先把资料找到，再放进模型本次的上下文中。这就是 RAG（Retrieval-Augmented Generation，检索增强生成） 要解决的问题。

在一次在线查询中，RAG 通常不修改生成模型的参数。它所做的事情更接近于：模型回答前，系统先从知识库里找出与问题相关的几段文字，把"用户问题 + 检索到的资料"一起交给模型，再由模型组织成自然语言回答。

RAG 的基本流程

以"询问公司的报销制度"为例，RAG 系统不会希望模型凭参数中的模糊记忆直接回答，而是先在当前版本的制度文档里寻找相关段落。一个常见的工程流程如下：

graph TD subgraph Offline[离线:构建知识库索引] O1[原始文档] --> O2[切片/清洗与补充元数据] O2 --> O3[文档向量化] O3 --> O4[写入向量/关键词索引] end subgraph Online[在线:回答一次用户问题] A[用户问题] --> B[构造检索 Query / 查询向量] B --> C[在已有索引中召回候选资料 Top-K] C --> D[重排/过滤/上下文拼装] D --> E[完整 Prompt:问题 + 外部资料] E --> F[Prefill:处理完整上下文] F --> G[模型 Decode:逐个 Token 生成回答] end O4 -. 提供候选资料 .-> C

在准备知识库时，一篇很长的文档通常会先被切成多个较短的段落或片段（chunking），并保留标题、来源、更新时间、权限等信息。由于模型的上下文窗口有限，系统不能每次都把整个知识库塞给模型。有按字数、按章节、按照语义进行分片的方法。

一种常见做法是用检索器的文档编码器把每个片段转换为向量，并存入向量索引。用户提出问题后，系统用对应的查询编码器把问题转换为向量，再根据向量相似度召回最相关的几个片段。这里的查询/文档向量服务于检索，通常不等于生成模型输入阶段的 Token Embedding。相似度只是在帮助系统从大量资料中筛选候选，并不代表这些片段一定正确，也不代表它们已经足以支撑最终结论。

实际系统往往还会结合关键词检索、元数据过滤和重排。比如制度问题应优先选择最新版本、当前用户有权限访问的文件；召回到的十段资料，也不一定都适合放进 prompt。最终需要挑出少量、直接回答问题的证据，按合适顺序拼装进上下文。

RAG 适合解决什么问题

RAG 特别适合下面几类场景：

• 知识主要存在于模型参数之外，而且会持续更新，例如公司制度、产品文档、内部知识库或法律法规；
• 资料规模太大，无法在每次调用时全部放进上下文；
• 回答需要能回到具体资料，让用户检查依据；
• 问题本质上是"先找到相关证据，再解释它在当前问题中的含义"。

不过，RAG 并不是所有任务的默认答案。翻译、改写、纯计算，或者不依赖外部资料的推理任务，并不一定需要 RAG。若根本没有可靠的知识来源，或者索引长期不更新，检索系统只会把过时或无关的内容更有条理地送进 prompt。

更重要的是，RAG 不等于长期记忆。它解决的是"当前这个问题要从外部取回哪些资料"；用户偏好、任务进度、权限状态和跨会话决策，则需要由 Memory 或 State 系统保存。RAG 也不等于答案一定正确：模型仍可能误读资料、把多个来源混在一起，或者在证据不足时补出看似合理的内容。对高风险问题，还需要来源展示、引用绑定和额外验证。

为什么 Claude Code 没有把传统向量 RAG 当作唯一方案

我一开始看到 Claude Code 会用 glob、grep 搜索文件时，以为它是"放弃了 RAG"。后来读 Anthropic 的文章才发现，更准确的说法是：Claude Code 没有只依赖"预先为整个代码库建立向量索引，再从中检索"的传统 RAG 路径，而是采用了一种混合策略。

其中，CLAUDE.md 这类稳定的项目规则会预先放进上下文；当模型需要理解某个功能时，再通过 glob、grep 等工具按需探索当前工作区、读取具体文件。对于不断变化的代码库，这样可减少向量索引陈旧带来的问题，也能直接利用目录结构、文件名、精确符号和搜索结果这些代码语境中的信号。

这并不代表 Claude Code 不做检索。它只是把"先在向量库中一次性召回"替换为"让 Agent 在运行时逐步查找"。前者通常更快，适合文档型知识库；后者更贴近代码库的当前状态和结构，但需要模型有足够好的工具使用能力，也可能因为反复探索而更慢。这是一种常见的工程权衡，并非绝对规律。Anthropic 将 Claude Code 称为这种混合模型的例子：规则预先进入上下文，文件则按需检索。原文

因此，RAG 的关键并不是"必须使用向量数据库"，而是在有限的上下文窗口中，为当前问题选择最值得模型阅读的外部信息。向量检索、关键词检索和 Agent 通过工具探索环境，都是实现这件事的不同路径。

4. 把它们串起来：从提问到回答的过程

以"用户输入一个问题"为例，按运行时顺序重新串起上面的概念。若不需要外部知识，第 1 步会被跳过：

1. 系统判断是否需要外部资料；需要时，RAG 在已有索引中检索、重排资料，并把它们与用户问题组装成完整 Prompt。
2. 生成模型的 Tokenizer 将完整 Prompt 切分为 Token ID。
3. Token ID 经 Embedding 转为向量，并加入位置信息；Transformer 通过 Attention 处理完整前缀，完成一次 prefill。
4. 模型选出第一个下一个 Token，并建立各层历史 Token 的 KV Cache。
5. 后续每轮 decode 都只处理一个新 Token，复用历史 K/V，再预测并追加下一个 Token，直至生成结束。

5. 结语

这一周来，最大的收获是初步建立起"文本如何进入模型、模型如何利用上下文、何时使用外部知识、如何更高效生成"的整体链路，而不再只把它看作黑箱。对 Attention、Transformer、RAG、Token 这些概念，我已经形成初步理解，但仍需要用后续学习和实践持续校验。简言之，LLM 根据概率分布逐个预测并追加 Token；在这个过程中，涉及向量化、上下文化计算、缓存与外部知识获取等步骤。我希望这些学习能成为自己开启第二曲线的基石。

接下来到周末（2026-07-19），我将继续补全 LLM 的基础知识，包括 Context Window、Inference、Sampling、System / User / Assistant Message、Structured Output、Function Calling / Tool Calling、Hallucination、Latency and Cost 等。

在完成上述基本概念的学习后，我会尝试写一个最小 LLM client，作为应用。