RAG、MCP 和 FunctionCall 等都是 AI 的核心技术，同时也是面试中最长问的知识点，那么今天就来看下：RAG 技术及其执行流程。
概述
RAG（Retrieval-Augmented Generation，检索增强生成）是指在将原始问题发送给大语言模型之前，先通过外部知识库将数据进行注入，之后先在知识库中检索相关信息，然后再将检索结果和原始问题一起发送给大模型组织、整理答案的一种技术手段。
通过这种实现方式，大语言模型可以获取到特定领域的相关信息，并能够利用这些信息进行回复，从而降低了发生幻觉的可能性。
RAG 优势：
- 提高准确性：通过引用外部知识库，减少幻觉现象。
- 实时更新：允许模型访问最新信息，解决知识局限性问题。
- 经济高效：与重新训练模型相比，降低了更新成本。
执行流程
RAG 执行流程通常分为以下两个阶段：
1.生成索引阶段：这个阶段通常包括文档清理，以及分词也就是将它们拆分为更小的数据块，并把这些数据库转换成向量，最后存储在向量数据库的过程。
图片
2. 检索阶段：使用用户提出的问题，在向量数据库中检索查询的过程。
图片
整体执行流程
图片
使用场景
RAG 典型使用场景有以下几个。
1. 企业级知识问答系统
- 场景：公司内部文档（如 HR 政策、技术手册、客户 FAQ）的智能问答。
- 痛点：传统 LLM 无法访问非公开数据，且知识可能过时。
- RAG 作用：实时检索内部知识库，生成准确且可溯源的答案。
2.客服与技术支持
- 场景：电商、SaaS 产品的客户支持（如订单状态查询、故障排查）。
- 痛点：需依赖实时数据（订单、库存）和动态知识（如促销规则）。
- RAG 作用：结合用户实时数据（如订单 ID）和知识库，生成个性化回答。
3.医疗与法律咨询
- 场景：辅助医生查询最新诊疗指南，或律师分析判例库。
- 痛点：对事实准确性要求极高，且知识需更新（如新药品、法律条文）。
- RAG 作用：从权威数据库（如 PubMed、法律条文库）检索证据，减少幻觉。
小结
RAG 是给大模型“外接”知识库，让大模型能够更加精准回答问题的一种技术实现手段。它的执行主要分为两个阶段：索引生成阶段（知识库添加到向量数据库的过程），检索阶段（根据用户输入信息在向量数据库查询结果的阶段），当然其中有一些执行细节也需要了解并在面试中回答出来。
