RAG 技术深度解析：从基础到 GraphRAG，以及大 Context 时代的思考

billychen826@gmail.com (Billy) — Wed, 05 Nov 2025 10:00:00 +0800

RAG 基础原理

什么是 RAG

RAG (Retrieval-Augmented Generation) 检索增强生成，是一种结合了信息检索和大语言模型生成能力的技术范式。其核心思想是：

用户查询 → 检索相关文档 → 将文档作为上下文 → LLM 生成答案

为什么需要 RAG

在 RAG 出现之前，LLM 面临几个核心问题：

知识截止日期：模型训练数据有时效性，无法获取最新信息
幻觉问题：模型可能生成看似合理但实际错误的内容
领域知识局限：对特定领域的深度知识覆盖不足
无法访问私有数据：企业内部文档、数据库无法被预训练模型学习
Context Window 大小受限：Context Window 不足以塞下全部文档内容，用户提问时 window 就塞满了

RAG 的基本架构

┌─────────────┐
│ 文档语料库 │
└──────┬──────┘
 │ 离线处理
 ▼
┌─────────────┐
│ 文档切块 │ (Chunking)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 向量化 │ (Embedding)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 向量数据库 │ (Vector DB)
└──────┬──────┘
 │
 │ 在线查询
 │
┌──────┴──────┐
│ 用户查询 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 查询向量化 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 相似度检索 │ (Top-K)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 重排序 │ (可选)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 构建 Prompt │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ LLM 生成 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 返回答案 │
└─────────────┘

关键技术组件

1. 文档切块 (Chunking)

切块策略直接影响检索质量。

AI on Billy's Blog

RAG 技术深度解析：从基础到 GraphRAG，以及大 Context 时代的思考

RAG 基础原理

什么是 RAG

为什么需要 RAG

RAG 的基本架构

关键技术组件

1. 文档切块 (Chunking)