目录一、RAG定义二、RAG索引的构建2.1 RAG定义与用途2.2 RAG中索引的原理2.3 文档向量化2.4 总结三、RAG检索重排3.1 RAG文档检索3.2 召回的局限性有哪些3.3 重排技术如何提高质量3.4 总结四、RAG文本分块4.1 RAG文本分块作用4.2 文本分块的方式4.3 高级分割策略4.4 总结五、RAG文本向量化5.1 RAG文本向量化定义5.2 语义权重增强的实现5.3 维度的最优平衡5.4 实战应用与展望六、GraphRAG 原理6.1 传统痛点6.2 GraphRAG原理6.3 构建RAG6.4 实战与应用效果七、RAG实战-基于LangChain框架构建RAG系统7.1 RAG知识回顾7.2 模型介绍7.3 开发框架7.4 总结一、RAG定义1.目前大模型的幻觉问题看似合理却错误的陈述仍然比较高26年错误率高达26%2.无法回答最新信息,回答内容只停留在训练截止日私有知识也无法回答。每日训练成本高。RAG检索增强生成将信息检索与文本生成相结合的技术架构。允许大模型在回答问题时先从外部知识库中检索相关信息然后基于这些信息生成准确、可靠的回答。案例一大模型与企业知识库的应用案例二大模型与金融Graph RAGAgentic RAG智能体RAGRAG技术的局限性高度依赖分块和检索质量如果检索的数据不好会影响回答的准确性。二、RAG索引的构建2.1 RAG定义与用途2.2 RAG中索引的原理2.3 文档向量化通过嵌入模型将文本片段转化为向量并存储2.4 总结总结RAG技术中的索引流程三、RAG检索重排3.1 RAG文档检索RAG技术如何从文档库中查到文档上面使用了上下文检索技术3.2 召回的局限性有哪些召回的片段太多且无关怎么办3.3 重排技术如何提高质量重排技术提升业务效果打分维度相关性、时效性新规旧闻、权威性官方文档社区帖子3.4 总结总结RAG技术中的增强效果如何提升四、RAG文本分块从文档中提取有用的信息4.1 RAG文本分块作用RAG技术中文本分块的作用4.2 文本分块的方式多粒度索引与递归字符分割方法一文档级切分方法二段落级切分 缩小检索字数提高精度方法三多种文本分块的方式 提取包含答案的句子4.3 高级分割策略语义分割算法与表格处理递归字符分割添加元数据4.4 总结元数据注入与商业防幻觉策略五、RAG文本向量化5.1 RAG文本向量化定义RAG技术与文本向量化的作用5.2 语义权重增强的实现语义权重增强如何提升检索能力5.3 维度的最优平衡根据业务场景精准度要求选择维度5.4 实战应用与展望跨模态与混合检索的业务落地场景六、GraphRAG 原理让AI像人类一样理解文档6.1 传统痛点传统RAG的工作方式与局限性6.2 GraphRAG原理实体、关系与LPG标签属性图6.3 构建RAG基于图数据库由AI抽取实体关系以电影数据为例6.4 实战与应用效果在Dify平台构建GraphRAG在GitHub上开源的平台Dify平台。提供了免费的AI工作流搭建。通过GraphRAG调用美团龙猫模型的回答具体实用符合实际应用。1.进行HTTP请求连接到neo4j数据库2.查询用户提到的内容3.第二个HTTP请求将字段进行整理4.传给美团龙猫大模型6.输出答案直接调用美团龙猫模型的回答比较苍白七、RAG实战-基于LangChain框架构建RAG系统7.1 RAG知识回顾RAG技术搭建流程7.2 模型介绍RAG系统模型接入还需要使用大语言模型选用千问的为例选择下面四款中最推荐的那个选择合适的框架进行构建7.3 开发框架代码演示如何使用LangchainLangchain框架加密传输防止其他服务获取到API_KEY了解模型之后现在开始构建系统经过处理后的文档7.4 总结RAG系统开发方法总结