RAG 从 0 到 1
用最小闭环理解 RAG：文档处理、检索、上下文组装、生成和评测。
为什么重要
用最小闭环理解 RAG：文档处理、检索、上下文组装、生成和评测。
核心原理
RAG 是什么 RAG 是 Retrieval Augmented Generation 的缩写，核心思路是在生成答案前先检索相关资料，再把资料作为上下文交给模型。 最小闭环 1. 收集文档。 2. 清洗和切分文档。 3. 生成 embedding 并写入向量库。 4. 用户提问时检索相关 chunk。 5. 把问题和 chunk 组装成 prompt。 6. 让模型基于上下文回答。 7. 记录日志并评估答案质量。 常见坑 文档切分…
工程实现
- 先把概念落到输入、处理、输出和验证链路里。
- 用固定样例或日志验证改动效果，避免只凭一次演示判断质量。
展开说明
RAG 是什么
RAG 是 Retrieval-Augmented Generation 的缩写，核心思路是在生成答案前先检索相关资料，再把资料作为上下文交给模型。
最小闭环
- 收集文档。
- 清洗和切分文档。
- 生成 embedding 并写入向量库。
- 用户提问时检索相关 chunk。
- 把问题和 chunk 组装成 prompt。
- 让模型基于上下文回答。
- 记录日志并评估答案质量。
常见坑
- 文档切分过粗或过碎。
- 只做向量检索，不做 metadata 过滤和 rerank。
- 没有拒答策略。
- 没有 golden set，无法判断改动是否变好。
常见误区
- 只背术语，不说明工程取舍。
- 忽略评测、日志、成本和失败边界。
面试怎么说
用最小闭环理解 RAG：文档处理、检索、上下文组装、生成和评测。