10分钟彻底搞懂RAG背后的工作原理

大家好，我是武哥。这里是 AI实战小课堂-RAG专题。

这期我们把一个高质量 RAG 企业知识库的完整流程拆开，用案例和动态图解，讲清每一步在做什么。这个10分钟的视频会带你彻底搞明白：点击查看

具体落地实战项目，大家可以学习这个AI高级实战项目：AI Agentic RAG高级企业知识库平台

RAG的核心逻辑

我们从一个知识助手说起。假设我们想给编程教程做一个知识助手，让它回答：“这个项目应该怎么配置数据库？”。答案可能就在教程的某一段里。但资料越来越多，总不能每次提问，都把所有文档发给大模型。

RAG 的做法是：先从资料里找到与问题相关的内容，再把这些内容交给大模型，让它据此回答。可以把它理解成开卷考试：先翻书找到依据，再组织答案。整个过程分成两部分：提问前准备好资料，提问后找资料、生成回答。

提问前：把资料变成可检索的知识库

第一步：文档切分

把长文档拆成多个片段，方便检索时只取出相关内容。片段不能太大，也不能太碎：太大容易夹带无关信息，太碎又可能把一句话的条件和结论拆开。

比如“满足什么条件”和“可以申请退款”，如果被拆到两个互不关联的片段里，回答就可能漏掉关键条件。

第二步：向量化

用户问“数据库连不上怎么办”，文档写的可能是“MySQL 连接失败排查”。两句话用词不同，但意思接近。

向量模型会把文字转换成一串数字。通过比较这些数字，我们可以找到意思相近的内容，而不只是匹配相同的字。

第三步：建立索引

把片段、对应的向量和来源信息保存好，方便提问时快速查找。文档准备完成后，才进入问答环节。

提问后：先找到，再挑选，最后回答

用户的问题也会转换成向量，再与知识库里的片段进行比较。我们按相关程度排序，取出前几条候选内容，这就是常听到的 Top-K 召回。

不过，初步找出来的内容不一定最适合回答。比如几个片段都提到了数据库，但有的讲安装，有的讲连接配置，有的讲报错排查。

这时可以增加重排：让重排模型把问题和候选片段放在一起，进一步判断哪些内容更相关。

你可以把这两步理解成招聘：召回像简历初筛，先找出一批候选；重排像深入面试，再从中挑选。

最后，把用户的问题、筛选后的资料、回答规则和来源信息一起交给大模型。大模型负责理解这些内容，把答案说清楚。资料没有提供依据时，就应该明确说明，而不是自行补出一个看似合理的答案。

高质量RAG需要做好的事项

流程跑通，为什么还不够？一个知识库能回答几个演示问题，不代表它就能稳定处理真实问题。

高质量 RAG 还需要做好五件事：

• 文档质量： 资料是否准确、及时更新，用户是否有权访问。
• 分片质量： 内容边界是否完整，标题、条件和上下文是否保留。
• 检索能力： 面对不同问法，能否找到真正相关的资料。
• 上下文组装： 交给大模型的证据有没有重复、冲突或缺失。
• 评测： 用真实问题检查，既看有没有找到答案，也看回答是否忠于资料。

很多时候，回答不好，需要排查的是前面这些环节：资料不对、片段没切好、检索漏了内容，都会影响最终结果。

RAG的核心总结

理解 RAG，可以先记住这三句话：

1. 准备证据： 把资料切分、向量化，建立可检索的知识库。
2. 找到证据： 根据问题召回相关片段，再筛选适合回答的内容。
3. 使用证据： 把问题、资料和规则交给大模型，生成有依据、可核查的答案。

RAG 的核心，是让模型在回答的那一刻，拿到合适的资料。

视频里还会结合切分代码、相似度计算和 pgvector 查询，把这些步骤串起来。欢迎看完后，再对照这篇文章梳理一遍。

如果这期帮你弄明白了 RAG，也欢迎分享给正在学习 AI 应用开发的朋友。

这里是 AI实战小课堂，希望大家在这个板块里能学到东西！