---
tags: [rag, llm, search, embedding]
---

## RAG 检索增强生成

RAG（Retrieval-Augmented Generation）是一种将外部知识库与大语言模型结合的技术范式。

## RAG 的核心流程

### 1. 索引阶段（Indexing）
- 加载文档（Document Loader）
- 文本分块（Chunking）
- 向量化（Embedding）
- 存入向量数据库（Indexer）

### 2. 检索阶段（Retrieval）
- 用户查询向量化
- 向量相似度搜索
- 返回 Top-K 相关文档

### 3. 生成阶段（Generation）
- 将检索结果注入 Prompt
- LLM 基于上下文生成回答

## 混合检索

结合语义搜索（向量相似度）和关键词搜索（BM25），取长补短：
- 语义搜索：理解用户意图，找到表述不同但意思相近的内容
- 关键词搜索：精确匹配专业术语和专有名词

## 向量数据库选型

- **Milvus**：分布式，适合大规模生产环境
- **Chroma**：轻量级，适合原型开发
- **内存实现**：最简单，适合小规模和个人项目