RAG、MCP 和 FunctionCall 等都是 AI 的核心技術，同時也是面試中最長問的知識點，那么今天就來看下：RAG 技術及其執行流程。

概述

RAG（Retrieval-Augmented Generation，檢索增強生成）是指在將原始問題發送給大語言模型之前，先通過外部知識庫將數據進行注入，之后先在知識庫中檢索相關信息，然后再將檢索結果和原始問題一起發送給大模型組織、整理答案的一種技術手段。

通過這種實現方式，大語言模型可以獲取到特定領域的相關信息，并能夠利用這些信息進行回復，從而降低了發生幻覺的可能性。

RAG 優勢：

• 提高準確性：通過引用外部知識庫，減少幻覺現象。
• 實時更新：允許模型訪問最新信息，解決知識局限性問題。
• 經濟高效：與重新訓練模型相比，降低了更新成本。

執行流程

RAG 執行流程通常分為以下兩個階段：

1.生成索引階段：這個階段通常包括文檔清理，以及分詞也就是將它們拆分為更小的數據塊，并把這些數據庫轉換成向量，最后存儲在向量數據庫的過程。

圖片

2. 檢索階段：使用用戶提出的問題，在向量數據庫中檢索查詢的過程。

圖片

整體執行流程

圖片

使用場景

RAG 典型使用場景有以下幾個。

1. 企業級知識問答系統

• 場景：公司內部文檔（如 HR 政策、技術手冊、客戶 FAQ）的智能問答。
• 痛點：傳統 LLM 無法訪問非公開數據，且知識可能過時。
• RAG 作用：實時檢索內部知識庫，生成準確且可溯源的答案。

2.客服與技術支持

• 場景：電商、SaaS 產品的客戶支持（如訂單狀態查詢、故障排查）。
• 痛點：需依賴實時數據（訂單、庫存）和動態知識（如促銷規則）。
• RAG 作用：結合用戶實時數據（如訂單 ID）和知識庫，生成個性化回答。

3.醫療與法律咨詢

• 場景：輔助醫生查詢最新診療指南，或律師分析判例庫。
• 痛點：對事實準確性要求極高，且知識需更新（如新藥品、法律條文）。
• RAG 作用：從權威數據庫（如 PubMed、法律條文庫）檢索證據，減少幻覺。

小結

RAG 是給大模型“外接”知識庫，讓大模型能夠更加精準回答問題的一種技術實現手段。它的執行主要分為兩個階段：索引生成階段（知識庫添加到向量數據庫的過程），檢索階段（根據用戶輸入信息在向量數據庫查詢結果的階段），當然其中有一些執行細節也需要了解并在面試中回答出來。