检索增强生成流程

734 字约 2 分钟

domain/aiai/rag

2026-07-24

1. 核心结论

RAG 流程包含文档处理、检索、增强、生成四个核心阶段
每个阶段都有优化空间，整体效果取决于最弱环节
查询理解、检索策略、上下文组装、生成控制是关键优化点
RAG 不是一次性检索，可以迭代优化检索结果
评估 RAG 需要分别评估检索质量和生成质量

2. 基础概念

Query：用户的原始问题或请求。

Query Expansion：将原始查询扩展为多个相关查询，提升召回率。

Retrieval：从知识库中检索相关文档片段。

Context Assembly：将检索结果组装为 LLM 可用的上下文格式。

Generation：LLM 基于上下文生成最终回答。

Citation：在回答中标注信息来源。

Feedback Loop：根据用户反馈优化检索和生成策略。

3. 工作原理

完整 RAG 流程：

用户查询
  ↓
[查询预处理]
  - 查询重写
  - 查询扩展
  - 语言检测
  ↓
[检索阶段]
  - 向量化查询
  - 向量检索（Top-K）
  - 关键词检索（BM25）
  - 结果合并
  ↓
[后处理阶段]
  - 重排序（Rerank）
  - 去重
  - 过滤
  - 上下文组装
  ↓
[生成阶段]
  - 构建 Prompt
  - LLM 生成
  - 引用标注
  - 质量检查
  ↓
最终回答

优化策略：

查询优化：
- 多语言翻译
- 同义词扩展
- 子问题分解
检索优化：
- 混合检索（向量 + BM25）
- 多路召回
- 元数据过滤
上下文优化：
- 相关性排序
- 冗余去除
- 上下文压缩
生成优化：
- 结构化 prompt
- 引用要求
- 置信度评估

4. 实战场景

智能客服：基于产品文档回答用户问题
知识助手：基于企业内部知识库提供咨询
研究助手：基于论文库辅助学术研究
法律助手：基于法律条文提供法律咨询
医疗问答：基于医学文献回答专业问题
代码助手：基于代码库回答技术问题

5. 常见误区

只做一次检索：复杂问题需要多轮检索
不检查检索结果：直接送入 LLM 可能引入噪声
上下文过长：超出模型有效注意力范围
不处理冲突信息：多个检索结果可能相互矛盾
忽视延迟：多阶段处理增加响应时间

6. 进阶方向

Self-RAG（自我反思检索）
Corrective RAG（纠正性检索）
Adaptive RAG（自适应检索）
Multi-hop RAG（多跳检索）
Agentic RAG（Agent 驱动的检索）
流式 RAG（边检索边生成）

7. 推荐资料

LangChain RAG - https://docs.langchain.com/rag
LlamaIndex RAG - https://docs.llamaindex.ai/en/stable/module_guides/querying/
Haystack RAG - https://docs.haystack.deepset.ai/docs/rag
Self-RAG Paper - https://arxiv.org/abs/2310.11511
CRAG Paper - https://arxiv.org/abs/2401.15884