经典 RAG（检索增强生成）基础工作流程

词嵌入能够帮你筛选出相关文本片段向量数据库则可以针对这批数据实现更快速的检索。完成检索之后你就可以把检索到的内容连同提示词一起交给 OpenAI 模型最终获取答案。这段话完整概括了经典 RAG检索增强生成基础工作流程我帮你梳理、拆解并补充关键点完整流程梳理词嵌入Embedding把文档、文本片段转换成高维数值向量语义相近的文本向量在向量空间距离更近依靠向量相似度筛选语义相关的文本。作用把文字变成模型可计算的 “语义数字”实现语义匹配而不只是关键词匹配。向量数据库存储海量文本向量内置相似度索引算法HNSW 等。 如果直接暴力比对全部向量速度极慢向量数据库通过索引优化大幅加速相似向量检索。作用解决大规模向量高效查询问题。检索召回用户提问同样经过 Embedding 转为向量在向量库查找 Top-N 最相似文本片段。上下文拼接 大模型推理将用户问题 检索得到的参考片段 系统提示词Prompt一并送入 OpenAI LLM。 模型依据提供的外部资料生成回答不再只依赖自身训练知识。通俗总结词嵌入负责理解语义、向量化向量数据库负责快速找相似内容最后把找到资料喂给大模型让 AI 借助私有外部知识作答弥补大模型知识截止、无法使用本地数据的缺陷。补充一处容易混淆的边界没有向量数据库少量文本可以直接内存向量比对文档量大时检索延迟爆炸没有词嵌入无法做语义检索只能退化成关键词模糊搜索。