前言本文主要介绍了当前构建基于大语言模型的应用时最主流的 RAG 的核心思想、基本工作流程RAG 与 LlamaIndex、GraphRAG、 RAGFlow 之间的关系与区别以及RAG学习建议与技术选型。RAG 检索增强生成(Retrieval-Augmented Generation)首先 RAG 不是一个工具而是一种技术范式或架构思想。1.1.RAG 核心思想让大语言模型在回答问题时能够参考并引用给定的、特定的、最新的知识库而不是仅仅依赖其训练时学到的、可能已经过时或不够详细的知识。1.2.为什么需要 RAG解决知识滞后问题 LLM 的知识截止于其训练数据。 RAG 可以接入最新的文档、数据库、新闻等让模型“与时俱进”。减少幻觉 LLM 有时会“一本正经地胡说八道”。 RAG 强制模型基于检索到的真实内容进行回答大大降低了编造信息的风险。增强专业性和可解释性可以针对特定领域如法律、医疗、公司内部文档构建知识库使回答更具专业性。同时可以给出答案的来源引用方便用户验证。保护数据隐私可以将私有数据如公司内部资料通过 RAG 体系提供给模型而无需将这些敏感数据用于公开的模型训练。1.3.RAG 的基本工作流程一个经典的 RAG 流程包含两个主要阶段1.3.1. 索引阶段Step1.加载从各种数据源PDF,Word,TXT,数据库等加载数据。Step2.分块将大文档分割成更小的、有意义的文本块。Step3.向量化使用嵌入模型将每个文本块转换成一个向量一串数字这个向量代表了文本块的语义。Step4.存储将这些向量和对应的原始文本块存入一个专门的向量数据库中以备后续检索。1.3.2. 检索与生成阶段Step1.用户提问用户输入一个问题。Step2.问题向量化使用同样的嵌入模型将用户问题也转换成一个向量。Step3.相似性检索在向量数据库中计算问题向量与所有文本块向量的相似度找出最相关的TopK个文本块。Step4.构建提示将检索到的相关文本块和用户的原始问题组合成一个精心设计的提示。Step5.生成回答将这个提示输入给 LLM让 LLM 基于提供的上下文检索到的文本块来生成最终答案。LlamaIndexLlamaIndex 就好比是 RAG 的“瑞士军刀”或“引擎”它是一个专门为构建 RAG 应用而设计的、功能极其强大的 Python/C 数据框架。如果说RAG是“造一辆车”的理念那么 LlamaIndex 就是提供发动机、变速箱、底盘、方向盘等所有核心零部件和组装工具的“工具箱”。LlamaIndex 开源项目在GitHub上现在关注度已高达43.6K星数在文章末尾处我已附上传送门强烈推荐感兴趣的小伙伴们关注一波尤其是想深入了解RAG底层工作原理源码的作为开发人员。2.1.LlamaIndex 的核心LlamaIndex 的核心是 “数据连接”提供了从数据 ingestion摄取、indexing索引、querying查询到 evaluation评估的全套工具链让你能够轻松地将任何数据源与 LLM 连接起来。2.2. LlamaIndex 的主要功能模块1数据连接器支持从数百种数据源本地文件、云存储、数据库、 API、 Web 等读取数据。2数据索引提供了多种高级索引结构远不止简单的向量索引。----向量存储索引最基础的 RAG 索引。----树索引将文档构建成树状结构可以从上到下或从下到上检索适合总结性任务。----关键词表索引提取关键词实现精确匹配。----知识图谱索引可以构建实体和关系图是 GraphRAG 的基础之一。3查询引擎提供了灵活的查询接口。你可以定义复杂的查询策略比如先进行向量检索再进行关键词检索最后将结果融合。4检索后处理对检索到的结果进行重新排序、过滤或转换以提高相关性。5代理与工具可以将 RAG 系统作为一个工具集成到更大的 LLM 代理中让代理能够自主决定何时以及如何查询知识库。6评估工具提供了一套完整的评估框架用于衡量你的 RAG 系统表现如何如回答的忠实度、相关性等。2.3.LlamaIndex 的特点----灵活性极高几乎可以定制 RAG 流程的每一个环节。----功能全面覆盖了从数据到评估的整个生命周期。----社区活跃是 RAG 领域最流行的框架之一拥有丰富的文档和社区支持。3.GraphRAGGraphRAG 是 RAG 的“进化版”同样也是一种技术范式是 RAG 的一种高级实现方式它利用了知识图谱来增强检索。如果说 RAG 是“关键词匹配”的升级版语义匹配那么 GraphRAG 就是“理解实体关系”的升级版。3.1.GraphRAG 核心思想传统 RAG 在处理复杂、多跳、需要理解实体间关系的问题时表现不佳。例如当你问 “《流浪地球》原著作者的另一部知名作品是什么 ”传统 RAG 可能需要先检索到“刘慈欣”和“流浪地球”再检索“刘慈欣”和“三体”这个过程是割裂的。而 GraphRAG 在索引阶段就将知识构建成一个知识图谱其中节点代表实体如“刘慈欣”、 “流浪地球”边代表实体间的关系如“作者”、 “作品”。3.2.GraphRAG 的工作流程3.2.1. 索引阶段Step1.文档处理同样需要加载和分块。Step2.知识图谱构建这是最关键的一步。使用 LLM 或专门的 NLP 模型从文本中抽取实体和关系然后构建成一个图结构。Step3.图存储将构建好的知识图谱存入图数据库如 Neo4j, NebulaGraph中。3.2.2. 检索与生成阶段Step1.用户提问用户输入问题。Step2.图查询将问题转化为图查询。例如上述问题会被转化为“找到节点‘流浪地球’找到其‘作者’关系指向的节点再从该节点出发找到其‘作品’关系指向的其他节点”。Step3.子图检索从知识图谱中检索出与问题相关的子图一个由节点和边构成的小网络。Step4.生成回答将检索到的子图信息作为上下文交给 LLM 生成答案。3.3.GraphRAG 的优势处理复杂问题擅长回答需要多步推理、理解实体间关系的问题。更高的准确性和可解释性答案基于明确的实体和关系逻辑链条清晰更容易追溯来源。发现隐含知识图结构可以揭示文本中未直接明说的隐含关系。3.4.GraphRAG 与 LlamaIndex 的关系LlamaIndex 提供了构建 GraphRAG 的工具如 KnowledgeGraphIndex你可以使用LlamaIndex 来实现 GraphRAG 的流程。微软开源了一个名为 graphrag 的项目它提供了一套完整的、端到端的 GraphRAG 解决方案包括从文本构建图的管道和查询引擎。graphrag 开源项目在GitHub上的关注度已高达27.2K星数在文章末尾处已附上传送门感兴趣的小伙伴们可以自行查阅。RAGFlowRAGFlow 是一个开源的、基于深度文档理解的 RAG 引擎和平台。如果说 LlamaIndex 是给你零件让你自己组装那么 RAGFlow 就更像是一辆已经组装好并且带有漂亮仪表盘和操作界面的“成品车”。4.1.RAGFlow 的核心RAGFlow 的核心是提供一个开箱即用的 RAG 平台特别强调对复杂文档的理解能力。它不仅有后端引擎还提供了一个非常友好的 Web UI让非技术人员也能轻松上手。RAGFlow 开源项目在GitHub上目前的关注度高达62.2K星数对于零基础小白想要快速应用RAG的小伙伴们这里我强烈推荐在文章末尾处已附上传送门。4.2.RAGFlow 的主要特点1深度文档理解这是 RAGFlow 的最大亮点。它不仅仅做简单的文本分块而是能够理解文档的布局比如识别标题、段落、表格、图片并能从中提取有意义的信息。这对于处理 PDF、扫描件、报告等复杂格式非常有效。2友好的 Web UI提供了可视化的操作界面可以方便地上传数据集、创建知识库、进行对话测试、查看答案来源等。3模板化的 RAG 流水线内置了多种针对不同场景的 RAG 处理模板如通用、简历、论文、手册等用户可以根据自己的数据类型选择合适的模板。4系统集成它本身就是一个完整的应用包含了 API 服务器、前端界面、后台任务调度等部署后即可使用。5可扩展性虽然是开箱即用但也支持通过 API 和配置进行一定程度的定制。4.3.RAGFlow 与 LlamaIndex 的关系RAGFlow 在其底层实现中也会用到类似 LlamaIndex 或 LangChain 这样的框架思想但它将这些复杂性都封装在了内部。对于用户来说你不需要直接调用 LlamaIndex 的API而是通过 RAGFlow 提供的界面或 API 来使用它已经构建好的 RAG 能力。5.RAG学习建议与技术选型如果你是开发者想从零开始构建一个高度定制化、功能强大的 RAG 应用首选 LlamaIndex。它给你最大的控制权你可以自由组合各种索引、检索器和 LLM。需要你有一定的编程基础。如果你的问题涉及大量实体关系和复杂推理那么可以在 LlamaIndex 的基础上实现GraphRAG或者直接集成微软的 graphrag 库。需要你有一定的知识图谱知识基础。如果你是企业或个人想快速搭建一个知识库问答系统特别是你的数据主要是PDF、 Word 等复杂文档且希望有友好的管理界面首选 RAGFlow。它能让你在几分钟内启动一个功能完备的 RAG 系统而无需编写大量代码。它的深度文档理解能力是其杀手锏。特别适合零基础小白入门RAG。如果你只是在学习或了解 RAG先理解 RAG 的基本思想和工作流程然后了解 LlamaIndex 和 GraphRAG 分别解决了 RAG 中的什么问题前者是工程化和灵活性后者是处理复杂推理最后体验一下 RAGFlow看看一个成熟的 RAG 产品是什么样的。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】