在大模型应用开发中，检索增强生成（RAG）RAG 几乎是最常见的知识增强方案。它的核心思想是“检索+ 生成” ，既发挥大语言模型的语言生成能力，又引入外部知识来弥补模型本身的记忆局限。一个标准的RAG 流程，可以分为索引阶段、检索阶段、生成阶段三大部分，也可以细分为五个核心环节：数据准备→ 向量化→ 索引存储→检索增强→ 生成答案。

1.1.清洗文档：去掉多余的格式信息，如 HTML  标签、PDF  页眉页脚等。

1.2.分块处理：长文档不可能直接输入模型，因此要切分成较小的文本块。这里有3 种策略：语义切分：确保每个块是语义独立的（如问答对、完整段落）。结构切分：按标题层级切分，保留文档的逻辑结构。递归切分：当文本过长时，递归按字符数拆分，既保持连贯性又控制长度。

2. 向量化

完成分块后，每个文本块需要通过 嵌入模型（Embedding Model） 转换为向量。常见的模型有 BERT、Sentence-BERT、BGE  等。向量本质上是一个高维坐标点，用来表示文本的语义信息。比如“ 苹果手机” 和“iPhone”会被映射到相近的向量空间位置，从而实现语义层面的检索。

3.索引存储

向量化后的文本会被存入 向量数据库，如 Milvus、Faiss、Elasticsearch、Pinecone  等。这类数据库的优势是能够在海量向量中快速计算相似度，从而找到与查询语义最接近的内容。通常，数据库还会保存原始文本，以便在检索到相关向量时能够回溯真实内容。

这里一步很关键，实践中有多种方式来做提升：

多阶段检索：先用 BM25  等关键词检索做粗筛，再用向量检索精排。

混合检索：将关键词检索和向量检索结果结合，通过 RRF（倒数排名融合）合并，解决“语义相似但关键词缺失”或“关键词匹配但语义偏差”的问题。这是大模型应用里常见的补强手段。

5.生成答案： 让模型把检索到的信息“说出来”

最后 ，系统会将 用户问题 +  检索到的相关文档 一并输入大语言模型。这里的关键是Prompt  设计。下面就是一个例子。

你是严谨的助手。请仅依据“ 相关文档”作答，不知道就说不知道，不要编造。 【 问题】{query} 【相关文档（ 带编号）】 {contexts}    #  例如：[1]  段落 A … [2]  段落 B … 【 要求】 1)  先给结论，再给依据； 2)  在依据处用[编号]标注来源； 3)  若文档冲突，指出冲突并分别给出可能结论； 4)  如问题与文档无关，明确说明无法回答并建议更精确的提问。