你是否想打造一个靠谱的知识客服，或是搭建能精准回答问题的知识库？这就绕不开一项核心技术——RAG（Retrieval Augmented Generation），中文译为“检索增强生成”。听起来高大上的技术，核心逻辑其实很简单：先从资料库里检索相关内容，再基于这些内容生成答案，即“先检索、再生成”，这也是其名称的由来。

作为目前最常用的AI问答方案之一，RAG已广泛应用于企业知识助手、智能客服等场景。本文将从应用场景、核心原理、流程拆解、专业名词解析等方面，带你全面掌握RAG技术，搞懂高质量智能问答系统的构建逻辑。

前言

我认为AI的基础知识是现在求职和实际工作所必须掌握的，不管是算法还是后端前端岗，会肯定是很大的加分项。我接下来会推出一系列AI知识分享文章（偏向八股向），旨在以简单易懂的语言分享面试时可能会用到的AI技术知识，因为本人也在0基础开始学AI，所以此系列内容也是本人不断学习总结而来，可能有错误，欢迎大佬指正。

一、为什么需要RAG？直接用大模型不行吗？

假设你想做一个能解答公司产品问题的智能客服，最直接的想法可能是：给GPT-4o、DeepSeek等大模型配上产品手册，让模型直接基于手册回答。但这种方案在实际应用中会遇到三个致命问题：

1. 上下文窗口限制：大模型的上下文窗口容量有限，若产品手册达上百页、上千页，模型无法完整读取，会出现“读了后面忘前面”的情况，回答准确率无法保障；
2. 推理成本过高：输入文本越多，模型推理的算力消耗越大，长期使用成本难以承受；
3. 响应速度缓慢：模型需要消化海量无关信息，会导致回答延迟严重，影响用户体验。

而RAG的核心优势正在于解决这些问题：它不把完整文档丢给模型，而是先从海量资料中筛选出与问题最相关的少量片段，再将这些片段与问题一起交给模型，让模型只聚焦核心信息，既保证准确率，又降低成本、提升速度。

二、RAG的核心流程：提问前准备与提问后回答

RAG的整体流程分为两大阶段，分别发生在用户提问前和提问后，共包含五个关键环节，环环相扣确保问答质量。

（一）提问前：数据准备阶段（知识库构建）

这一阶段的核心是“把资料整理好，方便后续快速检索”，包含分片和索引两个环节。

1. 分片：将文档拆分为可处理的片段

分片就是把完整文档切分成多个小片段，常见方式有：

• 按字数拆分（如1000字一个片段）；
• 按段落、章节或页码拆分；
• 其他自定义拆分规则。

无论哪种方式，核心目标都是让每个片段聚焦一个核心信息点，避免因片段过长导致后续检索精度下降，同时适配大模型的上下文窗口容量。

2. 索引：将片段转化为可检索的向量数据

索引是RAG的技术核心之一，本质是“给每个片段做‘数字标签’，方便快速匹配”，分为两步：