企业官网建设流程全解析

本文介绍了RAG技术的概念和原理，通过Dify平台展示了如何构建知识库、向文档进行切分和向量化，并详细讲解了在Dify中如何设置检索方式及构建索引。文章还以英雄联盟游戏助手为例，阐述了如何让智能体利用知识库进行回答。通过本文，读者可以学习到RAG技术的基本流程和应用，为后续深入学习大模型应用打下基础。

一、RAG 是什么？为什么需要它？

先看一个翻车现场

用户问游戏助手：“介绍一下 LOL 中《流光镜影》这个英雄的技能。”

普通大模型一本正经地回答：“在《英雄联盟》当前版本（截至 2025 年 12 月）中，并没有名为《流光镜影》的英雄。”

模型说得斩钉截铁，但用户手里明明就有这个英雄——问题出在哪？出在大模型的知识是"印死"在它脑子里的，训练数据截止到某个时间点，之后新出的英雄、新出的版本，它一概不知道。知识过时，回答就没法用，Bot 的价值大打折扣。

RAG 就是解药

RAG（Retrieval-Augmented Generation，检索增强生成），是一种结合知识检索和语言生成的技术，主要用来解决大模型的"幻觉"问题——也就是模型不懂装懂、一本正经胡说八道的毛病。

它的思路不复杂，一句话就能说清：

回答问题之前，先去资料库里把相关的资料翻出来，把资料和问题一起塞给大模型，让它"照着资料答题"。

就像开卷考试：不开卷，学生只能靠背过的旧知识瞎编；开了卷，翻到对应的那一页再作答，答案自然靠谱。RAG 就是给大模型发了一套"可以随时翻的复习资料"，而且这套资料你能随时更新——新英雄出了就把新攻略放进去，模型立刻就"会"了。

三个常见问题，一次答清

1. 传统 LLM 的缺陷？

—— 消息滞后，训练完就定型了，拿不到最新的知识。

2. RAG 的原理？

—— 先拿问题去知识库检索相关内容，再把"问题 + 检索到的内容"一起送进大模型生成回答。

3. RAG 解决什么问题？

—— 大模型幻觉问题（含知识过时导致的胡编乱造）。

二、RAG 怎么搭：知识库构建三部曲

RAG 的地基是知识库。搭知识库主要有三步：文档准备 → 文档切分 → 文档向量化。

第 1 步：文档准备

把要喂给模型的知识整理成文件。Dify 支持的类型：

上传前建议做点预处理：清掉无关内容（广告、水印）、按主题分类整理、文件命名规范（名字里带上关键信息，方便后续维护）。

第 2 步：文档切片

为什么要切片？两个原因：一是大模型的上下文长度有限，一次吞不下整本文档；二是切得细，检索才准、才快——找答案时只需要翻出相关的那么几段，而不是把整本书都塞进去。

常见的切分方式有三种：

1. 按字符数切

：固定长度，比如每 300 字一段；

2. 按符号切

：按句号、换行符、感叹号等天然边界切；

3. 按语义切

：识别主题变化点，智能切分。

实际操作中最常用的是符号 + 字符长度混合切分，每段控制在 200～500 字。这个长度有讲究：

• 切得太小 → 每段上下文不完整，检索出来的内容残缺，不准；
• 切得太大 → 一段里混进太多无关信息，干扰模型判断。

一个实用小技巧：分段最大长度参考你文档里实际最长的那一段。比如全文最长的段落是 275 字，那最大长度设 300 左右就比较合适，不容易把一段完整的内容拦腰切断。

在 Dify 里，这些设置都集中在"分段设置"这一个面板里：分段标识符（默认按空行/n/n切）、分段最大长度、分段重叠长度（相邻两段重复一部分内容，防止句子被切断后丢失上下文）、文本预处理规则（替换连续空格换行、可选删掉 URL 和邮箱），下面还有"父子分段"等进阶模式：

"按最长段落定长度"这个技巧，实际操作时就是照着右侧预览改数字——下图这个例子里，文档最长的一段 275 字，所以最大长度设成了 300：

另外 Dify 里还有个 Q&A 分段选项：让大模型自己读文档，自动把内容改写成"一问一答"式的切片。适合 FAQ 类的知识，检索命中率高。开启后预览效果如下，每个切片都自动变成了"Q：…… / A：……"的问答对：

第 3 步：文档向量化

向量化听着玄乎，其实好理解：把每段文字变成一串数字（向量），让"意思相近"变成"数字上相近"，这样机器就能算出两段文字有多相似了。

举个例子：

• 问题：“盲僧 Q 技能” → [0.8, 0.6, …]
• 文档 1：“盲僧出装” → [0.7, 0.5, …]（意思相近，数字也相近）
• 文档 2：“烹饪技巧” → [0.1, 0.8, …]（八竿子打不着，数字差得远）

有了向量，用户一提问，系统就能快速从几千几万个切片里找出语义最接近的那几段。向量化解决三件事：语义理解、相似度计算、快速检索。

三、在 Dify 里动手：建知识库的 6 步

上面是原理，落到 Dify 里就是 6 步操作：

Step 1 创建知识库 → Step 2 上传文件 → Step 3 设置分段 → Step 4 构建索引（向量化） → Step 5 检索设置 → Step 6 预览结果

1. 创建知识库

：进入 Dify，选"知识库"→ 创建；

2. 选择数据源

：上传原始文件（攻略 PDF、属性表等）；

3. 文本分段

：选分段方式（通用分段还是 Q&A 分段）、设分段最大长度；

4. 构建索引

：选索引方式，系统把切好的段落做向量化。索引方式有两档： - 高质量（推荐）：调用 Embedding 嵌入模型处理文档，检索更精确，能帮 LLM 生成高质量答案； - 经济：每个切片只抽 10 个关键词建索引，不消耗任何 token，但检索准确性打折扣； - ⚠️ 注意：用高质量模式建完索引后，没法再切换回经济模式，选之前想清楚。

5. 检索设置

：这一步有三种方式，值得单独说清楚—— - 向量检索：把你的问题也变成向量，计算它和每个切片的"语义相似度"，找出意思最接近的段落。你问"怎么玩盲僧"，它能找到"李青打野思路"这种没出现"玩"字但意思相关的段落； - 全文检索：按关键词匹配，把文档里所有词汇建索引，你查什么词就返回包含这个词的段落。它不做语义理解，但关键词命中时很精准； - 混合检索：两种一起用，结果做个融合排序，兼顾"懂意思"和"对得上词"，一般推荐这个。

界面上还有几个影响检索质量的参数：Top K（最多捞回几段，默认 3）、Score 阈值（相似度低于这个分数的直接丢弃，默认 0.5），以及可选的 Rerank 重排模型（把检索结果再精排一遍，进一步提升命中质量）。

6. 查看结果：预览文本处理效果，检查切分是否合理，没问题就保存。

四、RAG 应用：让 Agent 用上知识库

知识库建好了，最后一步是接给智能体用。以 LOL 游戏助手为例，4 步：

Step 1 创建空白应用 → Step 2 编写提示词 → Step 3 添加知识库 → Step 4 调试验证

1. 创建空白应用

：在 Dify 里新建一个 Agent 智能体；

2. 编写提示词

：明确角色（“你是 LOL 资深游戏助手”）→ 说明功能（“负责解答英雄技能、出装、攻略问题”）→ 规范回复格式；

3. 添加知识库

：在编排模块里找到"知识库"→ 点击"添加知识库"，把建好的攻略库挂上；

4. 结果验证

：进调试页面，输入"流光镜影的技能有哪些"，看它能不能基于知识库答出来。

两个实用提示：

• 一个 Agent 可以关联多个知识库

，比如攻略库一个、版本更新公告一个；

• 多个知识库之间可以设置优先级，控制检索时先查哪个。

完整链路串一遍

从上传文件到得到回答，整个 RAG 的工作过程是：

上传文件 → 文档切分 → 文档向量化 → 存入知识库---（用户提问时）---问题检索知识库 → 拿到相关上下文 → 问题+上下文融合送入 LLM → 得到回答

（用户提问时）的左边路径是你"建库"时走的路，（用户提问时）的右边路线是用户每次提问时走的路。两头在"检索"这一步接上——这就是 RAG 的全部。

本章要点回顾

1. RAG 知识库构建的主要流程？

—— 文档准备 → 文档切分 → 文档向量化。

2. 文档为什么要切片？

—— 适应大模型的上下文长度限制，同时提升检索的精确度和效率。

3. 文档为什么要向量化？

—— 把文字变成数字，才能计算问题与文档的相似性，实现按语义快速检索。

4. 检索设置怎么选？

—— 向量检索懂语义、全文检索对关键词、混合检索两者兼顾（一般推荐）。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。