大模型和RAG一样，都是针对用户的问题，给出答复，那么，为什么有问题不直接问deepseek，还要跑一遍RAG？

RAG的出现，从根本上解决了大模型在处理知识时的一个核心痛点：如何高效、准确且低成本地利用那些未训练过的、私有的或最新的知识来回答问题。

如果我们希望大模型根据某些特定的知识内容生成答案，就必须将这些知识提供给模型。

似乎我们可以把这些知识全部发送给模型，但实际上并不可行

一方面，大模型本身的上下文长度有限，无法一次性处理大量内容

另一方面，即使上下文窗口未来不断扩大，每次提问都传入海量文档也会导致计算成本高昂、响应速度慢，并且可能引入无关信息干扰模型判断。

RAG通过“检索-增强-生成”的方式，针对用户的问题，系统首先在专用知识库中检索最相关的信息片段，仅将这些精选出的上下文传递给大模型。这样既克服了长度限制、降低了成本，也确保了模型作答的依据始终聚焦在我们提供的权威知识内。

同时，借助RAG的工作流设计，我们还可以控制大模型的思考路径，使其按照预设流程推理，而非随意发挥，进一步提升了回答的准确性与可靠性。

接下来，我们通过两个例子，详细介绍下如何用RAG实现信息聚焦和流程控制

信息聚焦

举一个沟通问题的例子。

比如我和我的室友沟通不太顺畅，希望AI可以给我一些建议。我希望AI使用《非暴力沟通》这本书的知识来指导我的沟通。

于是我问deepseek

我的室友经常不收拾屋子，让我很烦躁，所以我跟他说：“你总是不收拾屋子，让我很烦躁”，室友听了后显得很生气并且没有什么改变，我应该怎么跟他沟通才能解决这个问题

很明显，AI虽然给出了回答，但是不是我想要的，因为我希望使用到《非暴力沟通》的知识

当然，如果在提示词中，直接说明需要使用《非暴力沟通》的知识回答，deepseep也可以给我们想要的答案，这是因为DeepSeek在训练过程中很可能学习过这本书的相关内容，所以它能理解并执行这个指令

但是实际业务中，可能AI的最初训练资料中没有相关知识，所以你即使指定所用知识，AI也是无法回答的

此时，我们引入了RAG，来看看AI的回答

我们使用coze搭建一个简单的RAG

在COZE中，创建知识库并上传知识内容时，COZE按照一定的规则，做出知识分块、向量化等操作，我们不需要太复杂的工序即可搭建一个RAG

这里是使用《非暴力沟通》的PDF版本上传后作为一个知识库，然后在agent中调用这个知识库，让我们看看引入RAG后的回答

可以看到，我们使用了和给到deepseek相同的提示词，但是在这个回答中，AI给出的第一个回答正是按照书中观察、感受、需要、请求的四个要素给出沟通建议

当然，如果我们给deepseek的问题中，指定需要用非暴力沟通的方式作答，也是可以满足需求的

这是因为，当我没有指定用什么知识回答时，deepseek的知识范围是所有的训练内容，那就势必会让知识太过繁杂，导致无法按照我的预想回答。但是当我指定用非暴力沟通的知识回答时，deepseek也可以在他的训练知识中，提取这一块知识来回答

由此可以看出，当我们想要聚焦知识，或者有些知识不在大模型的初始训练知识内时，使用RAG，是一种实现目的的途径，将需要的信息整理到知识库内，通过知识库内的检索，让AI生成我们需要的答案

流程控制

仅仅让AI“知道”知识还不够，我们更需要它按照我们设定的专业流程来思考和工作，从而保证输出结果的高度一致性和专业性。这就是使用RAG的另一个强大能力——流程控制。

我们以一个非常实际的场景为例：一个自主研发的WMS（仓库管理系统）需要出海，所有界面、菜单、提示的文本都需要翻译成英文。

如果单纯靠人或直接让大模型翻译，会面临很多问题：

• 不统一：不同的人对同一个词可能有不同的翻译。比如，“库位”有人译成 Location，有人译成 Storage Location，甚至可能是 Bin。
• 不专业：某些术语在物流行业有固定叫法。比如，“波次拣货”翻译成 Wave Picking 是专业术语，而按字面翻译成 Batch Order Picking 就显得很不专业。
• 风格不一：对于大小写（是 Order 还是 order）、动词名词形式（是 Confirm 还是 Confirmation）没有统一规范。

直接提问大模型：“请将‘入库订单’翻译成英文”，你可能会得到各种答案，因为它没有上下文。

而通过RAG，我们可以构建一个专业的翻译工作流，让AI像一支训练有素的本地化团队一样工作。

整体思路如下

1. 构建知识库：我们创建三个核心知识库。

• 翻译规范库：存放强制性的翻译规则。例如：“‘货品’统一译为 Item，首字母大写”、“所有状态动词统一使用现在分词形式，如‘盘点中’译为 Counting...”、“‘库位’统一使用 Bin 而非 Location”。
• 历史翻译库：存放已经审核通过的现有翻译键值对，作为最重要的参考。例如：{“入库订单”: “Inbound Order”, “出库订单”: “Outbound Order”}。
• 行业术语库：存放物流行业的通用英文术语标准，用于翻译新词或验证专业性。

2. 设计控制流程：当接到一个翻译请求（例如：翻译“待上架货品”）时，AI不会直接回答，而是严格按照以下流程执行：

• 第一步：检索

• 首先，去 翻译规范库 检索是否有关于“货品”、“待”等字的强制规则。

• 然后，去 历史翻译库 精确检索“待上架货品”是否有现成翻译。如果没有，则检索类似结构，如“待收货”、“待入库”的翻译是什么。

• 最后，去 行业术语库 检索“上架”的标准专业术语是什么（通常是 Putaway 或 Storing）。

• 第二步：推理与生成

• AI会综合所有检索到的信息进行推理：“历史库中‘货品’规定译为 Item，‘待’字前缀历史中常用 Pending（如‘待收货’是 Pending Receipt）。行业库中‘上架’是 Putaway。没有强制规则冲突。”
• 最终，它生成的翻译是：Pending Putaway Item。这个结果既符合内部规范，又保持了历史统一性，还具备了行业专业性。

另一个例子：翻译一个全新的词“库存水位预警”。

• 在历史库和规范库中都找不到直接答案。
• AI流程会先在行业库中检索“库存水位”和“预警”的标准说法，可能会找到 Inventory Level 和 Alert。
• 然后它会参考历史翻译中“预警”是放在前面还是后面（例如“温度预警”是译作 Temperature Alert）。
• 最终组合出符合公司习惯和专业性的 Inventory Level Alert。

通过这样的流程控制，我们不再是简单地向AI提问，而是命令它执行一个复杂的、多步骤的决策程序。这确保了即使负责翻译的人员不断变动，AI也能作为一个永不离职、严格遵循SOP（标准作业程序）的专家，输出稳定、可靠、高质量的翻译结果。

总结

总而言之，RAG 的出现并非是为了替代像 DeepSeek 这样的大模型，而是对其能力的一种关键增强。

选择直接提问大模型还是使用RAG，本质上是选择“开放探索”与“精准执行”两种不同的模式。如果任务目标不是获取灵感，而是要求基于特定知识做出准确、可靠回答时，RAG就从一个可选项变为了必选项。它可以让AI从“通用对话”走向“专业赋能”的关键一步

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发