前言

「如果你常听到RAG、LLM、Embedding这些词就想关掉网页，这篇文章就是为你写的。」

这篇文章想给任何想要开始学习AI但是对很多专有名词/英文缩写劝退的同学，讲解关于RAG的故事。

我希望大家学习任何一个专有名词也好，学习AI工具如何上手操作也好，不因为它看上去很难而不做，而希望大家都能从第一性原理去思考它。

因为学习的本质是从最基本的最简单的概念开始，也就是我们能否将所有晦涩难懂的东西拆解成一个个简单的细节。

1、RAG是什么？

先举个例子，之前有一个很火的词叫做：“AI幻觉” 。

“AI幻觉，就是AI一本正经地胡说八道。比如我大四写论文时，它信誓旦旦地编了几篇文献——结果全是假的。”

我们丢给AI一个问题之后，常规来说我们会很相信AI并直接采取AI的答案，但偶尔会出现ai并不知道这个问题但是还会输出很长且看起来很可信的答案，这就是AI幻觉。

那么，什么是RAG？

“RAG” 是 Retrieval-Augmented Generation（检索增强生成） 的缩写，是一种结合 信息检索 (Retrieval) 和 生成式人工智能(Generation) 的 AI 技术框架。

它最早由 Facebook AI（现 Meta AI）在 2020 年提出，用于让大语言模型（LLM）在生成内容时，能够访问外部知识库，搜索相关资料，从相关资料中抽取与用户问题相关的内容，然后将这些资料传入模型作为上下文输出回答，从而提升准确性与时效性。

准确性可以理解，那么时效性呢？

时效性也就是说：从前依靠记忆回答问题的传统LLM大模型，在做Ai检索的资料可能是限定于24年之前，那么25年这段时间的时间它在检索的时候是不知道的，数据是陈旧的，就造成了一定的检索上的时间Gap。

而实时进行资料搜索，就可以辅助提升时效性。

一句话理解RAG

RAG = “大模型 + 搜索引擎”
它先去查，再来答。模型不再只靠记忆生成，而是实时引用资料。

形象化来说，比如说冬天快来了，当你想要将衣柜里的衣服重新搭配，发现自己衣柜里能过冬的衣服很少，但是你又很想改变穿衣风格，于是你就跑到商场里买了好几套冬天的成套穿搭。

传统LLM大模型是按照自己衣柜的旧衣服去搭配，而RAG是去买新衣服（寻找外部知识库），然后再用这些衣服做排列组合重新穿搭（输出回答）。

“所以，RAG让AI不再靠‘旧记忆’答题，而是学会‘先查资料再说话’。”

RAG是目前企业常用的AI问答方案之一，很多企业内的知识助手，智能客服使用的都是这项技术。

2、传统RAG干活的流程

【1】文本向量化（Embedding）

• 系统把用户的问题（文本）转成一个“向量表示”（一串数字），表示语义含义。

  如果两句话的语义相近，那么转换后二者的向量也相近。

• 同时，知识库里的文档也提前被转成向量并存储在“向量数据库”（Vector DB）里。

• 常用模型：OpenAI Embeddings、Sentence-BERT 等。

目的： 让系统能用“语义相似度”来匹配相关文档。

【2】检索（Retrieval）

• 系统在向量数据库中找到与问题“语义最相似”的文档（Top-K，一般取 3~5 段）。
• 这些被选中的文本就是“知识上下文（context）”。

目的： 找到能支撑回答的可靠信息来源。

【3】增强（Augmentation）

• 把用户问题 + 检索到的上下文 一起拼接成一个新的 Prompt。

目的： 让大模型“带着资料思考”，减少幻觉（乱编）。

---

【4】生成（Generation）

• 把上面的 Prompt 输入大语言模型（如 GPT-4、Claude、Llama 等）。
• 模型基于检索到的真实资料生成答案。

目的**：生成** 一个更准确、更有依据的回答。

3、RAG的使用场景

假设我是一个产品经理，我们公司需要做一个针对于公司产品的智能介绍回复客服。

如果此时我们将产品的详细介绍发给大模型，但是大模型推理成本较高，且时间较慢。

所以此时就需要用到RAG了，举个例子：“比如我的产品是一个AI辅助写公众号产品。作为顾客，我想了解下产品到底能不能适用于大学生赛道，大学生赛道如何变现？我的经历是xx，如何结合这些经历去生成爆款文章？

RAG收到问题之后，它会将用户的问题给到Embedding模型，模型会将用户问题转换为一个向量，接着把这个向量传给向量数据库，之后在切割分片之后，找到其中与问题最相关的片段，再一同发给大模型后，就可以生成答案了。

4、写在最后

其实归根结底来说，RAG就是一个可以搜索外挂资料库的一个东西。

它能帮助大模型结合实时资料检索，相对来说减少模型幻觉，增强大模型回复的时效性和准确性的工具。

在AI时代，太多AI工具频出，而很多英文名词术语，看起来好像难以理解，实际上真正去发现和了解这个名词背后原理，才发现其实并没有那么难。

RAG只是AI世界的一角。

真正重要的，不是你能记住多少缩写，而是你是否愿意动手拆解它。
就像毛选里说的——想知道梨子的味道，就得亲口尝一尝。

所以，别怕复杂，从理解第一个RAG开始，
你已经在AI时代，迈出了第一步。

让我们一起走进“人人开发时代”。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

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】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

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】