一、RAG 整体概述

1. 核心概念

RAG（检索增强生成）是搭建Agent共享知识库的核心技术
核心逻辑：结合大语言模型的理解、文本生成能力 + 外部知识库海量、可实时更新的内容
解决痛点：LLM训练数据存在时间截止，无法获取最新资讯、企业内部私有文档，无需重新训练模型即可扩充知识边界。

2. 标准工作四步流程

1. 用户输入问题
2. 检索：稠密+稀疏检索并行，召回Top-K相关文本块
3. 增强：将用户问题 + 检索到的知识片段拼接，构造完整Prompt
4. 生成：LLM依托参考资料输出最终答案

示例：查询故意杀人罪量刑
检索片段：《刑法》第232条法条内容
拼接Prompt：依据法条回答问题，附上法条原文+用户提问
输出结果：结合法条给出清晰量刑说明

二、前置离线处理：文档分块 Chunking

正式检索前必须对长文档预处理拆分，拆分必要性：

1. 嵌入模型有输入长度上限；整文档向量混杂多个主题，语义模糊
2. 整块文本过长会带入大量无关内容，占用上下文窗口，稀释有效信息

三种主流分块方案

1. 固定大小切分
   按固定token长度切割（常用512token），块间设置重叠（50~100token），避免语句被截断
   优点：实现简单、效果稳定；缺点：无视文档结构，段落、代码、表格容易被生硬切断

2. 递归结构感知切分（生产环境首选）
   顺着章节标题、段落、换行等文档天然边界逐层拆分，Markdown、HTML结构化文档适配性极强

3. 语义切分
   计算相邻句子嵌入相似度，语义差距大的位置进行切割，保证单个文本块主题统一
   优点：拆分质量最优；缺点：需要额外嵌入计算，资源开销更高

调参权衡经验

常规配置：单块 256~1024 token，块重叠占比10%~20%

• 块过小：信息残缺，指代不明，语义不完整
• 块过大：多主题混杂，向量精度下降，冗余内容过多

固有缺陷：分块会割裂原文上下文指代关系，该问题后续通过上下文感知检索优化

三、稠密嵌入检索：语义匹配路线

1. 嵌入 Embedding 原理

把文字转化为高维数字向量；语义相近的文本，向量空间距离更近
稠密向量：向量绝大多数维度均存在数值；依靠余弦相似度判定语义相似度
余弦相似度越趋近于1，文本语义越接近；只关注向量方向，不受文本长短影响

经典语义规律：国王 - 男性 + 女性 ≈ 女王，向量运算可承载语义逻辑

2. 稠密嵌入技术演进

1. Word2Vec(2013)：静态词向量，一词固定一个向量，无法区分一词多义
2. BERT：上下文感知向量，依靠自注意力机制，一词多语境生成不同向量，上限512token
3. Sentence-BERT：专为句子相似度设计，适配检索场景
4. BGE-M3：新一代多模态嵌入模型，同时输出稠密、稀疏向量，支持长文本、多语言

3. 海量向量快速检索：ANN近似最近邻

数据量巨大时无法逐句计算相似度，依靠索引算法快速近似查找
主流两类算法对比：

四、稀疏嵌入检索：关键词精准匹配路线

核心：基于词袋模型，依靠关键词字面匹配，向量绝大部分维度数值为0
主流算法：TF-IDF → BM25（工业通用标准）

1. 核心计算逻辑

• TF词频：词汇在单篇文档内出现次数
• IDF逆文档频率：词汇在全部知识库的稀有程度，生僻专业词汇权重远高于通用助词
• BM25新增两项修正：
  1. k1：词频饱和系数，词汇重复多次不会无限拉高分数，规避长文档堆砌关键词占便宜
  2. b：文档长度归一化，平衡长短文档打分公平性

2. 底层存储：倒排索引

存储结构：词汇 → 所有包含该词的文档列表
优势：输入关键词可瞬间定位全部相关文档，是搜索引擎底层基础

3. 优劣与进阶

优点：专业术语、代码、人名检索精准，结果可解释
缺点：无法识别同义词、同义句式
进阶：SPLADE、BGE-M3稀疏分支（学习型稀疏检索），结合神经网络赋予词汇语义权重

五、混合检索：稠密+稀疏融合方案

两种检索各自短板

• 稠密检索：擅长语义同义匹配，容易遗漏专业关键词、编号
• 稀疏BM25：关键词精准命中，无法理解同义表达

完整流水线三阶段

1. 并行召回：稠密、稀疏检索分别独立召回一批候选文档
2. 结果融合
   • RRF倒数排名融合（最常用）：抛弃原始分值，仅依据排名计算综合分数，简单稳定
   • 分值归一化加权融合：保留相似度、BM25原始分值，调参复杂度更高
3. 神经重排序（Rerank）
   架构区分：
   • 检索阶段：双编码器，文本分开编码，速度快、精度一般
   • 重排序阶段：跨编码器，查询与文档拼接共同输入模型，深度语义交互打分，精度大幅提升，速度偏慢
     作用：对融合后的候选文档精细二次排序，是生产RAG提升效果的关键环节

检索效果三大评估指标

1. Recall@k 召回率：相关文档是否进入前k条结果，RAG核心指标
2. MRR平均倒数排名：衡量首个有效结果的靠前程度
3. nDCG：综合全部文档相关性与排序位置，评估整体列表质量

六、多模态信息摄取（PDF/图片/语音）

知识库不止纯文本，三类处理方案取舍：

1. 原生多模态编码（效果最优）
   ViT视觉编码器将图像转为视觉token，和文本纳入统一语义空间；完整保留图表、版式、空间位置信息，适合复杂报表、图文PDF
2. OCR转录提取文本（低成本通用）
   图片、PDF、语音全部转纯文本，兼容整套RAG链路；缺陷：丢失版式、图表视觉信息
3. 工具按需调用（折中方案）
   基础检索依靠文本摘要，遇到图表、复杂版式时，调用图像/PDF解析工具深度读取，兼顾成本与灵活性