🔍

RAG 检索增强生成详解

一个抽屉，一个环节。从文档加载到最终回答，逐个打开 RAG 管线的每个细节——先看全景，再拆开讲透。

Pipeline 全流程评估与进阶

离线索引 · 在线问答

Offline / Online
OFFLINE · 索引链路ONLINE · 问答链路 📥加载 ✂️切分 🧬嵌入 🗄️入库 🔎检索 📊重排 ✍️生成 ❓提问

Pipeline 全流程

The Pipeline

从原始文档到最终回答，离线索引与在线检索生成两条链路的每个环节。

一条 RAG 链路分两段：离线索引把文档逐层加工成可检索的向量库， 在线问答把用户问题变成向量、召回、精排、交给 LLM 生成。 点开下面每个抽屉，就是逐个拆解这条流水线的每个工位。

Offline 索引链路
  1. 1. 加载 Load —— 各格式统一成 Document
  2. 2. 切分 Chunk —— 决定检索粒度
  3. 3. 嵌入 Embed —— 文本 → 语义向量
  4. 4. 入库 Index —— 写入向量库 + metadata
Online 问答链路
  1. 5. 检索 Retrieve —— 向量 + BM25 混合召回
  2. 6. 重排 Rerank —— Cross-Encoder 精排
  3. 7. 生成 Generate —— 受约束的回答 + 引用
  4. 8. 评估 Eval —— 检索 / 生成分开度量

评估与进阶

Evaluation & Advanced

怎么量化 RAG 的好坏，以及 Graph RAG、Agentic RAG 等进阶架构。

交互式图示为教学简化。真实系统按业务取舍：切分参数、混合检索权重、重排阈值都应在你自己的评测集上调优。