一. RAG 是什么?
RAG = Retrieval（检索）+ Augmented（增强）+ Generation（生成）
二. RAG 的作用
三. RAG 的好处
四.RAG 的完整工作流程（核心知识点）
这张图把之前那段纯文本流程拆成了两个清晰的区域：
- 上半区（蓝色 · 离线构建 Indexing） ：文档准备 → 切片 → 向量化 → 存入向量库。这是在离线状态下提前一次性做好的工作，把你的资料变成可检索的向量。
- 下半区（绿色 · 在线问答 Query） ：用户提问 → 去向量库检索相关片段 → 组装成 Prompt → 大模型生成回答。这是每次用户提问时实时走的通路。
- 虚线箭头表示"检索"这一步要去查上半区已经建好的向量库
- 底部汇总了 RAG 的五大核心价值: 减少幻觉，接入私有文档，知识实时更新，可溯源引用，成本低。
在每一个步骤下面都有具体的api如下：
| 环节 | 技术选型（图中已标注） |
|---|---|
| 文档准备 | PyPDFLoader / WebBaseLoader / UnstructuredLoader |
| 切片 | RecursiveCharacterTextSplitter（按语义边界切，500字/段+重叠50字） |
| 向量化 | OpenAIEmbeddings + text-embedding-v3（或 bge-large-zh） |
| 存储 | FAISS（本地）/ Chroma / Milvus / Pinecone / Qdrant |
| 检索 | similarity_search + MMR / Rerank |
| Prompt 组装 | ChatPromptTemplate（System + Context + Question） |
| 生成 | ChatOpenAI（可接 qwen-plus / gpt-4o） |
| 进阶能力 | 一句话作用 |
|---|---|
| Rerank 重排序 | 向量粗筛 20 条 → 精排模型挑最准的 3 条，效果提升巨大 |
| HyDE | 先让 LLM 假设一个回答，用"假设回答"去检索，比原问题更准 |
| Query Rewriting | 把口语化问题改写成更适合检索的查询，多轮可拆子问题 |
| Hybrid Search | 向量搜索 + BM25 关键词结合，召回更全 |
| GraphRAG | 建知识图谱，适合复杂关系推理（微软开源） |
| Agentic RAG | Agent 自主决定何时检索、检索什么，可多轮追问补全 |
总结：
五.使用案例
通用文本向量模型可将文本数据转换为数值向量，用于语义搜索、推荐、聚类、分类等下游任务。
