（13-3）RAG基础知识介绍：标准RAG

最新推荐文章于 2025-07-02 14:40:43 发布
最新推荐文章于 2025-07-02 14:40:43 发布
阅读量1.1k 收藏 16
点赞数 22
CC 4.0 BY-SA版权
分类专栏： 人工智能全栈(训练、大模型、RAG、多模态) 文章标签： 人工智能 深度学习 神经网络 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/asd343442/article/details/136015926

1.3  标准RAG

标准RAG（Standard RAG）通常指的是一种基本的RAG（检索增强生成）架构，其中包含了基本的组件和流程。标准RAG提供了一种基本的架构，能够将检索技术和生成技术结合，从而提高对用户问题的回答的准确性和相关性。

1.3.1  标准RAG的实现流程

标准RAG的实现流程如图1-8所示，具体说明如下所示。

图1-8  标准RAG的实现流程

（1）文本分块：初始文本被分成小块或段落，以便更好地进行处理和索引。这有助于提高检索的效率，同时也可以提供更细粒度的上下文。

（2）Transformer Encoder模型嵌入：对于每个文本块，使用Transformer Encoder模型（通常是

了解本专栏 订阅专栏 解锁全文 超级会员免费看
（13-5）RAG基础知识介绍：RAG融合、编码器、 LLM 微调和RAG评估
码农三叔
02-04 2134
这种双编码器的技术调整了LLM和检索器，通过调整查询、上下文和答案的三元组，达到更好的性能。更先进的方法不仅考虑了命中率，还包括了一些常见的搜索引擎评估指标，如平均倒数排名（Mean Reciprocal Rank），以及生成答案的质量指标，如真实性和相关性，这在OpenAI的实用指南中得到详细展示。RAG系统的性能评估工作是确保其有效运作的关键，在当前市面中，各种主流框架都提供了多个独立的指标，用于综合评估系统的不同方面，这些指标包括总体答案相关性、答案基础性、忠实度以及检索到的上下文相关性。
（13-1）RAG基础知识介绍：RAG模型概述
码农三叔
02-03 3977
RAG（Retrieval-Augmented Generation）是一种自然语言处理模型架构，旨在结合检索和生成两个关键的NLP（Natural Language Processing）任务。RAG模型可以应用于诸如问答系统、文本摘要、对话系统等多个领域。在本章的内容中，将详细讲解RAG的基础知识，介绍RAG技术的原理和架构知识，为读者步入后面知识的学习打下基础。
不用再找了！这就是大模型检索增强生成（RAG）全CSDN最全的综述！想要详细了解RAG看完这一篇就够了！
大模型学习路线
08-15 2357
不用再找了！这就是大模型检索增强生成（RAG）全CSDN最全的综述！想要详细了解RAG看完这一篇就够了！
一文读懂RAG
wangziling123456的博客
04-26 3846
在 RAG 系统中，我们通常需要进一步处理检索到的内容。另一个优势是将信息检索过程转化为LLM可以理解的指令，从而提高知识检索的准确性，并使LLM能够生成上下文连贯的响应，从而提高RAG系统的整体效率。[88] 较大的块可以捕获更多的上下文信息，但也会产生更多的噪声，需要更长的处理时间和更高的成本。例如，对于某些特定类型的查询，可以选择特化的检索模块，或者针对特定的生成任务，选择一个适合该场景的生成器。粗粒度检索单元提供更相关的信息，但也可能包含冗余的内容，这可能会分散下游任务中检索器和语言模型的注意力。
RAG是什么？一文讲明白所有RAG概念！附带完整RAG实践过程！
最新发布
weixin_72959097的博客
07-02 2688
RAG是什么？一文讲明白所有RAG概念！附带完整RAG实践过程！
RAG(检索增强生成 )
weixin_61494821的博客
01-13 1416
RAG（检索增强生成）
读懂RAG这一篇就够了，万字详述RAG的5步流程和12个优化策略
热门推荐
2401_82452722的博客
01-30 2万+
©作者|帅气的桌子来源|神州问学RAG概述ChatGPT、GLM等生成式人工智能在文本生成、文本到图像生成等任务中表现出令人印象深刻的性能。但它们也存在固有局限性，包括产生幻觉、缺乏对生成文本的可解释性、专业领域知识理解差，以及对最新知识的了解有限。为了克服这些限制，提高模型的能力，有两种主要途径：一种是微调（Fine Tune）来更新模型，另一种是让他们能够与外部世界互动，以不同的形式和方式获取知识。微调固然效果好，可以让模型真正的“学会”一些私域知识。但是微调也会带来几个问题：首先，由于生成模型依赖于内
大模型系列——解读RAG
我相信......
02-04 3430
RAG 是2023年最流行的基于 LLM 的应用系统架构。有许多产品几乎完全建立在 RAG 之上，覆盖了结合网络搜索引擎和 LLM 的问答服务，到成千上万个数据聊天的应用程序。很多人将RAG和Agent 作为大模型应用的两种主流架构，但什么是RAG呢？RAG又涉及了哪些具体的技术呢？1. 什么是RAGRAG即检索增强生成，为 LLM 提供了从某些数据源检索到的信息，并基于此修正生成的答案。RAG ...
（13-4）RAG基础知识介绍：高级RAG
码农三叔
02-04 2147
这是一个非常复杂的配置，涉及在每个文档上初始化一个Agent（OpenAIAgent），该智能体能进行文档摘要制作和传统问答机制的操作，还有一个顶层智能体，负责将查询分配到各个文档智能体，并综合形成最终的答案。然而，与往常一样，还有其他更复杂的选项，涉及多个LLM调用，以优化检索到的上下文并生成更出色的答案。然而，在多文档检索案例中，我们可以基于智能体的概念继续探讨，同时简要提及OpenAI助手，这是一个相对较新的概念，最近在OpenAI开发者大会上以GPTs的形式展示，并在下文的RAG系统中发挥作用。
（13-2）RAG基础知识介绍：RAG的架构
码农三叔
02-03 1760
因此，RAG的核心理念可以概括为“检索+生成”，前者利用向量数据库的高效存储和检索能力召回目标知识，后者则利用大型模型和Prompt引擎，将召回的知识合理应用，生成目标答案。在应用阶段，根据用户提问通过高效的检索方法召回与问题相关的知识，并将其融入到Prompt中，大型模型会参考用户提问和相关知识生成最终的答案。数据准备是RAG应用中的离线过程，旨在将私域数据转化为可检索的向量表示，并存储于数据库中，这个过程主要包括数据提取、文本分割、向量化和数据入库等环节。完整的RAG应用流程主要包含两个阶段。
RAG（检索增强生成）技术
wdn blog
12-19 2789
检索增强 LLM ( Retrieval Augmented LLM )，给 LLM 提供外部数据库，对于用户问题 ( Query )，通过一些信息检索 ( Information Retrieval, IR ) 的技术，先从外部数据库中检索出和用户问题相关的信息，然后让 LLM 结合这些相关信息来生成结果
一文读懂：大模型RAG（检索增强生成）
star_nwe的博客
07-24 1389
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、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，免费分享！
RAG原理、综述与应用全解析【万字长文】
狮子座明仔知识集散场
04-03 1万+
1.1 定义检索增强生成 (Retrieval-Augmented Generation, RAG) 是指在利用大语言模型回答问题之前，先从外部知识库检索相关信息。早在2020年就已经有人提及RAG的概念（paper：Retrieval-augmented generation for knowledge-intensive nlp tasks），首版发布在arxiv于2020年5月，当年还是seq2seq的时代，但实验就已经发现，通过检索，能快速从海量知识中找到和原本问题相关的知识，借助知识带来的信息能提
RAG一文读懂！概念、场景、优势、对比微调与项目代码示例
lihui49的博客
03-14 2007
定义一个自定义的嵌入函数，用于将文本内容转换为嵌入向量。其中使用 ERNIE Bot 库来创建文本的嵌入，并且通过 Chromadb 库来管理这些嵌入向量。
RAG技术全解析：打造下一代智能问答系统
alysblmd
05-13 1万+
检索增强生成（RAG）技术通过结合大型语言模型（LLM）和外部知识库来克服传统语言模型在特定领域任务上的局限。RAG通过索引、检索和生成的三步流程，增强了语言模型的能力，提高了生成内容的准确性和相关性。本文详细介绍了RAG的工作原理、实现过程和评估方法，并展望了其在多模态领域的应用前景。RAG不仅优化了问答系统的性能，还通过多样的技术整合和灵活的检索过程，推动了智能问答系统的发展。
RAG检索增强技术在知识库智能检索场景下的应用实践
FrenzyTechAI的博客
12-18 9277
本文我们主要探讨了知识检索增强（Retrieval-Augmented Generation, RAG）技术的关键评估方法和行业应用，以及几种现有的技术栈选择及其优缺点。首先，关于RAG的效果评估，我们提到了两种主要的评估方式：独立评估和端到端评估。独立评估包括检索评估和生成评估，重点在于分别量化检索结果的质量和生成问题的能力。端到端评估则结合了无标签和有标签的评估指标，以及人工或GPT模型的评估方法，以获得更全面的效果评价。
LLM 回答更加准确的秘密：为检索增强生成（RAG）添加引用源
ZILLIZ
08-17 928
当前，LLM 的最大问题就是缺乏最新的知识和特定领域的知识。(https://zilliz.com/use-cases/llm-retrieval-augmented-generation) 引用源是一种通用的解决方案，可以为 LLM 应用的响应添加引用源，从而为响应提供更多上下文信息。不过，随着越来越多的文档、用例等信息被注入应用中，越来越多开发者意识到信息来源的重要性，它可以确保信息准确性，使得大模型的回答更加真实。在本示例中，我们从百科中获取了不同城市的数据，并进行查询，最终获得带引用的响应。
深度好文：最全的大模型 RAG 技术概览
2201_75499313的博客
01-17 9104
如果你已经熟悉检索增强生成（Retrieval Augmented Generation, RAG）的概念，请直接跳转到高级 RAG 部分。检索增强生成（Retrieval Augmented Generation, RAG）是一种技术，它通过从数据源中检索信息来辅助大语言模型（Large Language Model, LLM）生成答案。
大模型+检索增强（RAG、Atlas 和 REPLUG）
ZhengrongYue的博客
09-19 1万+
大模型+检索增强/图谱增强（RAG、Atlas 和 REPLUG）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

码农三叔

感谢鼓励

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值