本文深入解析企业级RAG系统构建的三大核心环节：文档预处理、文档召回和生成增强。针对复杂文档处理、问题优化、数据提炼等关键难点，提供实用解决方案。通过统一文档格式、多维度问题优化、上下文压缩等技巧，帮助开发者构建高效、准确的RAG系统。无论您是初学者还是有经验的开发者，这些实战经验都能助您避开常见陷阱，提升RAG系统质量。

---

“ 想做一个RAG项目很容易，但要想做好一个RAG系统却很难。”

最近手上的一个RAG聊天类项目也算接近了尾声，虽然从功能上来说项目已经完成了；但从质量上来看，其实离真正的完成还差了老大一截，原因就是做出来了，但没做好。

因此，今天我们就来基于这个项目做一个基本的项目总结，看看在一个企业级RAG系统中，到底存在哪些问题，以及应该怎么做。

企业级RAG

还是那句话，RAG从技术的角度来看主要是三个部分：

1. 文档预处理

2. 文档召回

3. 生成增强

所以，我们就从这三个角度来看一下在真正的企业级项目中应该怎么做。

文档预处理

文档预处理一直都是RAG系统中的一个技术难点，原因就在于无格式的复杂文档处理；典型的就是word，pdf这种图文表混合的文档，目前为止还没有一个很好的解决方案。

但技术的发展是一个线性的过程，并不能因为存在问题就不管了；因此，面对这种问题我们需要在贴合业务场景的前提下，尽量的把这些存在问题的影响降到最低。

在这里我们需要强调，也是需要注意的一件事；文档预处理之前一定要搞明白你的业务场景，不同的业务场景对文档处理的要求也不尽相同；比如说你是业务咨询类场景，这时你可能主要需要的是一些文字描述类文档；而如果你是技术咨询类场景，可能还需要大量的架构图，方案设计等。

前者我们可能只需要使用ocr技术或者直接把文档中的图片给丢掉即可；而后者可能需要使用多模态技术，把文档中的图 文 表给抠出来，然后进行混合检索和回答。

再说文档格式的问题，在真实的业务场景中，文档的来源很复杂包括线下文档word，pdf，excel，txt等常见文档，以及线上文档数据库，API等；数据格式也多种多样，因此需要有一个统一的文档格式来承载这些不同的文档数据，只有这样才能方便我们统一进行管理和预处理。

毕竟对于检索召回端来说，文档预处理属于前置流程，其对检索召回是无感的；所以，在文档预处理时只需要按照要求的文档格式进行处理，那么就可以完全做到文档处理和召回的分离，减少系统的耦合性。

比如作者在项目中就是把所有格式的文档都处理成markdown格式，这样就可以进行统一的管理和向量化。

当然这里文档转换成markdown格式，并不是直接把原文档简单转换成markdown即可；而是需要对原文档进行清洗，梳理，删除一些无用和不规范的内容，尽量让markdown文档变得紧凑，舍弃部门全而不精的内容。

并且，可以对处理之后的markdown文档进行总结提炼——summary，以及提取标签；这样在检索端就可以使用标量召回和相似度召回，提升召回率。

文档召回

在第一步文档处理过程中，我们在尽可能保证文档质量的前提下，第二步要关注的就是文档召回的方式问题了。

在文档召回过程中，我们首先需要对用户的问题进行处理；这里的处理包括问题的完善和优化，提出相似子问题，以及最后的兜底问题等。

原因主要在于，用户在提出问题时除非特别专业或了解相关内容；否则很多情况下，用户自己可能都不知道到底应该怎么提问题，以及问题中会存在语义不通顺，错别字等情况。所以，对问题进行改写优化，并从多个维度提出几个相似性问题，有助于提高召回率。

其次，可以根据用户的问题提取标签，这样就可以根据这些标签进行标量检索，这样能够大大提升准确率以及查询效率；毕竟简单的字符匹配相对应向量计算要快得多。

之后，通过多种方式召回数据之后，最后需要对召回的数据进行去重，排序等操作；把相似度最高的数据丢给大模型，而不是把召回的所有数据都丢给大模型。

生成增强

在完成数据召回之后，并不是说这些数据就直接丢给大模型，我们还需要对这些数据进行处理；否则会存在很多问题。

比如说，你最终召回的数据是一个文档列表，我们是否能够先把这个文档列表转换成一段完整的文档；而不是一段一段好像无关的文档列表。

其次，由于模型上下文窗口有限，特别是在多轮对话中，我们可能还需要对召回的文档进行提炼总结之后再丢给模型；以及对历史记录进行压缩；一是为了防止上下文超长导致内容丢失，二是上下文过长会导致模型处理质量下降。

最后，在一些业务场景中，可能还需要给用户展示参考文档，以及源文档；这时我们还需要处理好文档的格式，否则给用户看到一堆没有格式的乱七八糟的内容，也会影响用户体验。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】