企业官网建设流程全解析

1. 什么是RAG？它解决了大模型的是什么问题？

1.1 什么是RAG？

RAG(Retrieval-Augmented Generation，检索增强生成)是一种在LLM推理时动态检索外部知识库，将检索到的相关内容注入Prompt再由LLM生成答案的架构范式。

1.2 RAG解决的核心问题

这里需要区分两个概念：

• 可解释性：为什么给出这个答案？（内部推理过程可解释原因）
• 可追溯性：答案的依据来源是什么？（能指出我引用了哪段资料）

RAG 主要解决的是可追溯性，它让"答案有出处"成为可能，从而在应用层面提升了可信度。注意：可追溯 不等于 正确。

1.3 RAG如何降低幻觉

1.3.1 幻觉产生根源

LLM幻觉的本质：模型在缺失相关知识时，不是拒绝回答而是基于概率模型生成看似合理但错误的内容。
对于RAG场景，幻觉来源三类：

1.3.2 降低幻觉的措施

• 提升检索质量 （从源头减少噪声）：
  • 混合检索：向量检索 + BM25关键词检索，用RRF或加权融合，兼顾语义和精确匹配
  • Rerank重排序：用交叉编码器(Cross-Encoder)对召回结果进行精排，把最相关的排最前面
  • 相关性阈值过滤：设置相似度阈值，低于阈值的直接丢弃
  • 查询改写：把模糊问题改写的更精确，提高召回质量
    核心思想：给模型提供的资料越准确，模型越不容易被误导。
• Prompt设计约束（引导模型”只依据材料“）：
  • 明确指令：告诉模型”只能基于提供的上下文回答，不能使用外部知识“
  • 无依据拒绝回答：指令中加入”如果上下文中没有相关信息，请明确说明无法回答，不要编造“
  • 引用要求： 要求模型在回答中标注引用来源，强制它”对着材料说话“

  示例 Prompt： 你是一个严谨的问答助手。请仅根据以下【上下文】回答问题。 如果上下文中没有足够信息，请直接回答"根据现有资料无法回答"。 回答时请标注引用来源编号 [1][2]。

• 上下文管理（减少冲突）：
  • 去重和压缩：去除重复片段，压缩冗余内容，避免上下文过长注意力被稀释
  • 冲突检测：检测多段材料是否矛盾，矛盾时优先采用更高置信度/更新版的材料
  • 控制上下文长度：只保留top-k最相关的内容，避免塞入过多无关内容
• 生成后校验（事后兜底）：
  • 忠实度评估（Faithfulness）：用另一个模型/规则检查答案是否和检索片段一致，检测答案中有没有上下文相关的内容
  • 引用一致性校验：检查答案引用的编号是否真的对应到相关文档，模型可能标了引用但内容对不上，必须做引用一致性校验
  • 幻觉检测模型：训练专门的幻觉检测器，对生成结果进行打分，低分则触发重试或拒答
• 检索增强的进阶形态：
  • Agentic RAG：让模型自主决定：要不要检索、检索什么、检索几次，避免一次检索不够或检索方向不对
  • Graph RAG：通过实体关系图做多条推理，减少单点检索信息不多导致的幻觉
  • Self RAG：模型在生成过程中自我反思，判断是否需要更多信息，动态决定是否补充检索

1.3.3 引用溯源实现

目标：让用户/审计者能从答案追溯到原始文档，行程完整证据链。

溯源是系统工程：不是加个引用标记就完事，涉及 ID 管理、解析、校验、渲染、审计全链路。注意 可追溯不等于正确，因为引用来源本身可能就是错误的，需要结合资料可信度评估。

实现方案：

• 方案1：片段级引用（最常用）：

  流程： 1.检索时给每个片段编号：[1] [2] [3] 2.Prompt中要求模型在引用处标注对应ID 3.生成后解析答案中的[n]，映射回原始文档片段 4.前端渲染时，把[n]变成可点击的引用链接

  • 片段ID必须和检索结果一一对应
  • 需要处理模型输出的引用标记（模型可能标错编号）
• 方案2：句子级引用：
  • 用句子对齐技术，把答案中每个句子映射到最相似的检索片段
  • 优点：引用更精准，用户可直接知道该句出自哪段
  • 缺点：实现复杂，需要额外引入对其模型
• 方案3：元数据注入：
  • 检索的片段携带元数据（文档标题、章节、URL、时间戳)
  • 生成时要求模型在引用处带上这些元数据
  • 前端直接展示来源信息

2. RAG和微调(Fine-tuning)的区别？各自适用什么场景？

RAG和微调的本质区别是：RAG是“外挂知识”，微调是“内化知识”。

适用场景：

• RAG更适合：
  • 知识频繁更新：如新闻、政策、产品文档，数据库随时可改
  • 需要可追溯/可解释：金融、医疗、法律等强监管场景，答案必须有出处
  • 私有/领域数据：企业内部的文档、知识库，不想（或不能）用于训练
  • 数据量大且分散：海量文档，无法全部塞进模型
  • 对幻觉敏感：需要答案有据可查
• Fine-tuning更适合：
  • 需要特定风格/格式：如让模型模仿特定写作风格、输出固定格式
  • 需要领域术语/知识内化：如医疗、法律的专业术语，希望模型"张口就来"
  • 需要特定行为模式：如让模型更严谨、更简洁、更符合某种角色
  • 推理速度敏感：不希望有检索延迟
  • 数据相对稳定：知识不会频繁变化

最佳实践：两者并非互斥，生产级系统常采用RAG + Fine-tuning组合。微调让模型更好地遵循RAG指令格式和引用规范，RAG负责提供最新知识。

3. RAG完整流程流程是什么？

RAG 的完整流程可分为离线阶段（索引构建）与在线阶段（检索增强生成）两部分，整体架构如下：

四阶段详解：

• 索引（Indexing）：
  • 文档解析：将PDF/HTML/Markdown转换为 纯文本
  • 文档切分（Chunking）：将长文档切分为合适大小的片段
  • 向量化（Embedding）：将文本片段转换为稠密向量
  • 存储：向量入库(FAISS/Milvus/Qdrant/PGVector等)、索引构建(NHSW)
• 检索（Retrieval）：
  • Query向量化
  • 相似度检索：余弦向量、内积、欧氏距离等
  • 可选：混合检索（向量 + BM25）、查询改写、多路召回
• 增强（Augmentation）：
  • 重排序（Rerank）：双塔算法、交叉编码(Cross-Encoder)
  • 上下文拼接与格式化
  • 窗口管理（截断/压缩）
• 生成（Generation）：
  • 将增强后的Prompt送入LLM
  • 生成答案（通常要求附带引用）

4. RAG有哪些变体？Naive RAG、Advanced RAG、Modular RAG的区别？

RAG的演进路线经历了三代：

RAG 的演进本质是从"固定流水线"走向"自适应、可编排"：

• Naive RAG：一条固定流水线，检索质量决定上限
• Advanced RAG：在流水线各环节做优化，提升检索质量
• Modular RAG：拆成模块自由组合，引入路由、记忆、自适应检索

第一代：Naive RAG(朴素RAG)

最基础的形态，也是大多数人对RAG的第一印象

流程：文档 -> 切分 -> 向量化 -> 存入向量库 用户问题 -> 向量化 -> 检索 top-k -> 拼进 Prompt -> LLM生成

特点：

• 结构简单，易于实现
• 检索、生成是串行、一次性的
• 问题：检索质量差时，效果直接崩；无法处理多跳推理

第二代：Advanced RAG(进阶RAG)

在Naive RAG的检索前、检索中、检索后三个环节做优化。

特点：

• 检索质量显著提升
• 目前生产环境的主流形态

第三代：Modular RAG(模块化RAG)

把 RAG 拆成可自由组合的独立模块，按需编排，甚至引入循环和路由。
核心思想：不再是一条固定流水线，而是像搭积木一样组合模块。

常见模块：

• 路由（Routing）：根据问题类型，路由到不同的检索策略或数据源
• 查询规划（Query Planning）：把复杂问题拆成多个子查询
• 记忆（Memory）：引入对话历史，支持多轮检索
• 融合（Fusion）：多路检索结果融合
• 自适应检索（Adaptive Retrieval）：模型自主决定"要不要检索、检索几次"

关键变体：

• Agentic RAG：在 Modular RAG 基础上引入 Agent 编排，让模型自主决策"何时检索、检索什么、检索几次"，支持多轮工具调用与反思，适合复杂任务分解。
• Graph RAG：将文档构建为实体-关系图，检索时沿图结构做多跳推理，能回答跨文档的聚合性问题，弥补单点检索信息不足的短板。
• Speculative RAG：先由轻量模型生成草稿答案，再用检索片段验证并修正，兼顾速度与准确率。
• Self-RAG：模型在生成过程中自我反思，动态决定是否需要补充检索，并对检索结果与自身输出进行打分取舍。

这些变体并非互相替代，而是针对不同场景的组合式演进：生产实践中常以 Modular RAG 为骨架，按需叠加 Agentic、Graph 或 Self-RAG 能力，形成"可编排、自适应"的完整方案。

RAG的基础概念到此结束，期待后续的检索优化。