一、RAG的核心价值通过提供额外信息让模型从“闭卷考试”变成“开卷考试”显著提升回答质量1.1 解决时效性问题让模型知道“今夕是何年”典型场景查询天气/新闻/最新事件避免因预训练数据过时导致错误1.2 引导模型按需回答精准应答客服场景用户问“你们产品怎么样” → 提供品牌资料输出产品优势购买建议非幻觉或随机差评知识扩充专业场景当问题超出预训练数据范围 → 检索文档补充深度知识二、Naive RAG四大核心问题与解决方案2.1 什么时候搜——避免无效搜索问题本质▸ 非所有query需搜索如“你好”▸ 盲目搜索增加成本且干扰回答解决方案检索判别模型判断逻辑时效性/专业性问题优先数据准备将“无资料难答好”的query作正例效果85%准召率阈值调节技巧推理时调低阈值如0.4即检索原则宁可误搜不可漏搜后续可修正业务设计专业知识库场景默认全搜如医学RAG优化补充来自原文2.5嵌入模型更新 → 提升粗召效果大模型改写query → 增强可解释性记忆点先判再搜宁滥勿缺2.2 搜什么——优化搜索Query问题本质▸ 用户Query含糊/指代/多跳如“后天呢”→“后天天气”解决方案基础方案改写模型转自然语言为搜索关键词高级方法方法原理适用场景HyDE生成假设答案段落匹配文档开放域搜索Query2Doc改写成伪文档格式结构化数据库强化学习优化根据反馈学习高效query传统搜索引擎记忆点优化问题模型搜得精准2.3 怎么搜——分块与排序策略问题本质▸ 文档分块/特征提取/排序方式影响结果分块经验文档类型分块策略原因知识类维基百科按段落切分每段解释独立问题论文/文献较大块≥1024token保留上下文逻辑小说块间重叠设计避免故事线断裂排序优化精排方法对比类型原理成本代表工具Pointwise单文档绝对打分低BGE模型Pairwise两两比较排序高需交换位置验证ListwiseLLM直接全排序中RankGPT记忆点小块粗召精排定序2.4 怎么用——模型处理搜索结果问题本质▸ 长文本忽略中间内容Lost in Middle▸ 无关/缺失文档导致幻觉解决方案位置优化精排高分文档放输入首尾抗幻觉训练微调模型学会忽略错误文档Reasoning模型逐步分析结果需合成训练数据多模态扩展图文结合如Caption转文本典型风险案例来自原文2.4当要求模型回答“日本和韩国人口”但只检索到日本数据时Qwen/DeepSeek-R1可能幻觉编造韩国数据解决方案明确提示模型“资料缺失时需声明”记忆点关键信息放两头领域微调抗幻觉三、Graph RAG vs Naive RAG3.1 核心区别维度Naive RAGGraph RAG适用场景答案在1-2个文档片段答案需关联多个实体工作原理分块检索返回段落构建知识图谱关联关系优势简单高效、成本低全局视角、逻辑推理强劣势无法处理跨文档问题构建成本高、更新复杂3.2 典型案例对比Naive RAG失败场景任务总结小说主人公一生问题检索返回零散段落 → 模型“读不完”整书 → 回答支离破碎Graph RAG成功场景同一任务解法入库构建人物关系图谱主角→事件1→事件2模型直接查询图谱 → 流畅总结3.3 关键结论Naive RAG短板答案分散时“盲人摸象”Graph RAG代价构建图谱付**“预付费”**前期烧钱后期高效终极方案二者混合使用。记忆口诀“答案集中用Naive分散关联上Graph不差钱就Hybrid两手抓稳不抓瞎”四、Agentic RAG让RAG学会自主思考4.1 传统RAG vs Agentic RAG特性传统RAGAgentic RAG流程线性搜索→回答循环感知→决策→行动能力单跳检索多跳推理工具协作灵活性固定流程自主动态调整输入信息基础QueryQuery位置/时间/历史记录成本控制检索可能冗余优化检索减少无效生成4.2 三大核心类型类型1工具调度员Tool Router▸ 作用根据问题类型分配工具▸ 案例医学问题 → 调用医学数据库数学计算 → 调用计算器类型2任务拆解师Query Planner▸ 作用处理子任务依赖关系▸ 案例多步推理类型3智能循环机ReAct Agent▸ 作用失败后重新规划▸ 案例首次搜距离失败 → 改方案查A楼经纬度 → 2. 查B楼经纬度 → 3. 计算坐标距离4.3 设计黄金法则Prompt抽象化避免具体步骤指令 → 改用“请合理使用工具”循环引擎Plan → Act → Observe → Repeat成本控制结果反思模块淘汰低质检索终极总结传统RAG是“固定流水线”Agentic RAG是“自带大脑的瑞士军刀”——能拆解、会调度、懂变通。五、DeepSearch全流程解析5.1 核心框架5.2 关键模块详解模块1Planner任务拆解输入用户Query 历史记录 环境信息位置/时间预占位规划案例“2024中国GDP前三城市人口”查GDP Top3 → 得城市A,B,C查A人口占位符实现查B人口查C人口模块2任务澄清必要性避免token浪费如旅游攻略缺预算参数交互方案[ ] 目的地泰国/新加坡/马来西亚...[ ] 预算3000-5000/5000-7000...[ ] 偏好自然/人文/美食...模块3信息获取双模式调用方式优势直接输出Function Call减少中间误差自然语言转工具参数灵活性更高信息过载处理精排过滤相关性打分去重压缩保留原文防幻觉模块4结果反思循环判断标准信息完备性 ✓策略有效性 ✓设计价值多模型验证 → 降低单点决策风险模块5通用工具库工具典型场景计算器预算分配例5000×35%÷3人Python解释器字数统计/数据清洗多模态处理器图文混合分析六、总结RAG技术演进全景核心结论简单查询 → Naive RAG成本优先全局分析 → Graph RAG效果优先复杂任务 → Agentic RAG动态规划企业级应用 → DeepSearch循环验证最后为什么要学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】 【小白教程】手把手教你不同段位的RAG选择，零基础小白收藏这一篇就够了！！
一、RAG的核心价值通过提供额外信息让模型从“闭卷考试”变成“开卷考试”显著提升回答质量1.1 解决时效性问题让模型知道“今夕是何年”典型场景查询天气/新闻/最新事件避免因预训练数据过时导致错误1.2 引导模型按需回答精准应答客服场景用户问“你们产品怎么样” → 提供品牌资料输出产品优势购买建议非幻觉或随机差评知识扩充专业场景当问题超出预训练数据范围 → 检索文档补充深度知识二、Naive RAG四大核心问题与解决方案2.1 什么时候搜——避免无效搜索问题本质▸ 非所有query需搜索如“你好”▸ 盲目搜索增加成本且干扰回答解决方案检索判别模型判断逻辑时效性/专业性问题优先数据准备将“无资料难答好”的query作正例效果85%准召率阈值调节技巧推理时调低阈值如0.4即检索原则宁可误搜不可漏搜后续可修正业务设计专业知识库场景默认全搜如医学RAG优化补充来自原文2.5嵌入模型更新 → 提升粗召效果大模型改写query → 增强可解释性记忆点先判再搜宁滥勿缺2.2 搜什么——优化搜索Query问题本质▸ 用户Query含糊/指代/多跳如“后天呢”→“后天天气”解决方案基础方案改写模型转自然语言为搜索关键词高级方法方法原理适用场景HyDE生成假设答案段落匹配文档开放域搜索Query2Doc改写成伪文档格式结构化数据库强化学习优化根据反馈学习高效query传统搜索引擎记忆点优化问题模型搜得精准2.3 怎么搜——分块与排序策略问题本质▸ 文档分块/特征提取/排序方式影响结果分块经验文档类型分块策略原因知识类维基百科按段落切分每段解释独立问题论文/文献较大块≥1024token保留上下文逻辑小说块间重叠设计避免故事线断裂排序优化精排方法对比类型原理成本代表工具Pointwise单文档绝对打分低BGE模型Pairwise两两比较排序高需交换位置验证ListwiseLLM直接全排序中RankGPT记忆点小块粗召精排定序2.4 怎么用——模型处理搜索结果问题本质▸ 长文本忽略中间内容Lost in Middle▸ 无关/缺失文档导致幻觉解决方案位置优化精排高分文档放输入首尾抗幻觉训练微调模型学会忽略错误文档Reasoning模型逐步分析结果需合成训练数据多模态扩展图文结合如Caption转文本典型风险案例来自原文2.4当要求模型回答“日本和韩国人口”但只检索到日本数据时Qwen/DeepSeek-R1可能幻觉编造韩国数据解决方案明确提示模型“资料缺失时需声明”记忆点关键信息放两头领域微调抗幻觉三、Graph RAG vs Naive RAG3.1 核心区别维度Naive RAGGraph RAG适用场景答案在1-2个文档片段答案需关联多个实体工作原理分块检索返回段落构建知识图谱关联关系优势简单高效、成本低全局视角、逻辑推理强劣势无法处理跨文档问题构建成本高、更新复杂3.2 典型案例对比Naive RAG失败场景任务总结小说主人公一生问题检索返回零散段落 → 模型“读不完”整书 → 回答支离破碎Graph RAG成功场景同一任务解法入库构建人物关系图谱主角→事件1→事件2模型直接查询图谱 → 流畅总结3.3 关键结论Naive RAG短板答案分散时“盲人摸象”Graph RAG代价构建图谱付**“预付费”**前期烧钱后期高效终极方案二者混合使用。记忆口诀“答案集中用Naive分散关联上Graph不差钱就Hybrid两手抓稳不抓瞎”四、Agentic RAG让RAG学会自主思考4.1 传统RAG vs Agentic RAG特性传统RAGAgentic RAG流程线性搜索→回答循环感知→决策→行动能力单跳检索多跳推理工具协作灵活性固定流程自主动态调整输入信息基础QueryQuery位置/时间/历史记录成本控制检索可能冗余优化检索减少无效生成4.2 三大核心类型类型1工具调度员Tool Router▸ 作用根据问题类型分配工具▸ 案例医学问题 → 调用医学数据库数学计算 → 调用计算器类型2任务拆解师Query Planner▸ 作用处理子任务依赖关系▸ 案例多步推理类型3智能循环机ReAct Agent▸ 作用失败后重新规划▸ 案例首次搜距离失败 → 改方案查A楼经纬度 → 2. 查B楼经纬度 → 3. 计算坐标距离4.3 设计黄金法则Prompt抽象化避免具体步骤指令 → 改用“请合理使用工具”循环引擎Plan → Act → Observe → Repeat成本控制结果反思模块淘汰低质检索终极总结传统RAG是“固定流水线”Agentic RAG是“自带大脑的瑞士军刀”——能拆解、会调度、懂变通。五、DeepSearch全流程解析5.1 核心框架5.2 关键模块详解模块1Planner任务拆解输入用户Query 历史记录 环境信息位置/时间预占位规划案例“2024中国GDP前三城市人口”查GDP Top3 → 得城市A,B,C查A人口占位符实现查B人口查C人口模块2任务澄清必要性避免token浪费如旅游攻略缺预算参数交互方案[ ] 目的地泰国/新加坡/马来西亚...[ ] 预算3000-5000/5000-7000...[ ] 偏好自然/人文/美食...模块3信息获取双模式调用方式优势直接输出Function Call减少中间误差自然语言转工具参数灵活性更高信息过载处理精排过滤相关性打分去重压缩保留原文防幻觉模块4结果反思循环判断标准信息完备性 ✓策略有效性 ✓设计价值多模型验证 → 降低单点决策风险模块5通用工具库工具典型场景计算器预算分配例5000×35%÷3人Python解释器字数统计/数据清洗多模态处理器图文混合分析六、总结RAG技术演进全景核心结论简单查询 → Naive RAG成本优先全局分析 → Graph RAG效果优先复杂任务 → Agentic RAG动态规划企业级应用 → DeepSearch循环验证最后为什么要学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】