本文深入解析了提示工程、RAG和微调三种大模型应用模式，对比了它们的使用场景和优劣。文章详细阐述了RAG系统的构建流程，包括文档分块、向量化、向量存储、查询改写、向量检索、重排序、Prompt构建和LLM生成等关键步骤。此外，还探讨了Embedding模型的选择、RAG系统调试方法、模糊问题处理、混合检索技术、重排序策略、知识库维护与迭代、系统评估方法以及安全性保障等内容，为读者提供了全面且实用的RAG系统构建与优化指南。

---

1、提示工程VS RAG VS 微调，什么时候使用？

2、什么场景下应该选择RAG 而不是Fine-tuning?

• 知识需要频繁更新：如产品文档、FAQ，用RAG 只需更新向量库；
• 需要引用来源：如客服系统需要告诉用户答案来自哪个文档；
• 数据量有限：Fine-tuning 需要大量高质量数据，RAG 门槛更低；
• 需要实时信息：新闻、股票等实时数据无法通过训练固化到模型；
• 预算有限：RAG 的实现成本远低于微调。

三种模式不是互斥的，实际项目中常常组合使用。 比如：RAG + Fine-tuning (微调模型，让它可以更好地利用检索结果) 或者RAG + Prompt Engineering (优化检索后的提示词模板)。

3、文档分块策略有哪些？

文档分块(Chunking) 是RAG 系统的基础环节，分块质量直接影响检索效果。

4、项目中用什么分块策略？为什么选它？

如果项目知识库是产品FQA，在项目中使用滑动窗口+ 句子边界的混合策略:

• 首先按句子边界切分，保证每个块语义完整；
• 然后使用滑动窗口，设置20%重叠(window=512, step=100) ；
• 重叠确保跨块的信息不会丢失。

选择原因:

• 知识库是产品FAQ，段落之间有上下文依赖；
• 用户问题可能涉及多个连续段落的信息；
• 20%重叠在存储开销和检索质量间取得平衡；

分块大小经验值:

• 一般推荐256-1024 tokens；
• 小块: 检索精度高，但可能丢失上下文；
• 大块: 上下文完整，但噪声多，检索精度下降；
• 常见配置: chunk_size=512, overlap=50-100。

5、RAG系统的流程

RAG的步骤：

Indexing => 如何更好地把知识存起来。

Retrieval => 如何在大量的知识中，找到一小部分有用的，给到模型参考。

Generation => 如何结合用户的提问和检索到的知识，让模型生成有用的答案。

这三个步骤虽然看似简单，但在RAG应用从构建到落地实施的整个过程中，涉及较多复杂的工作内容。

6、RAG系统详细的步骤都有哪些？

关键步骤：

Step1，文档解析

将PDF、Word、HTML等格式转换为纯文本。工具: PyPDF2, docx, BeautifulSoup。注意处理表格、图片等特 殊内容。

Step2，文档分块(Chunking)

将长文档切分为适合检索的小块。需要平衡块大小、上下文完整性、检索精度。

Step3，向量化(Embedding)

使用Embedding模型将文本块转换为向量。常用模型: text-embedding-v4等。

Step4，向量存储

将向量存入向量数据库。FAISS (本地)、Milvus (分布式)、 Pinecone (云服务)。同时存储元数据用于过滤和展示。

Step5，Query 改写 (可选)

处理模糊问题、补充上下文。使用LLM改写或扩展用户问题，提高检索召回率。

Step6，向量检索

计算Query向量与文档块向量的相似度，返回Top-K结果。距离度量: 余弦相似度、L2距离、内积。

Step7，重排序(Rerank)

使用Cross-Encoder对Top-K结果精排，选出最相关的Top N。显著提升最终效果。

Step8，Prompt 构建

将检索到的文档块拼接到Prompt中，作为LLM的上下文。注意控制总长度，避免超过模型上下文窗口。

Step9，LLM 生成

LLM基于Prompt生成最终答案。可以要求模型引用来源，提高可信度。

7、Embedding模型有哪些选择？

8、Embedding模型选择都有哪些考虑因素？

语言支持

• 中文场景：BGE、text-embedding-v4
• 英文场景：OpenAI系列
• 多语言：bge-m3

部署方式

• API调用：OpenAI、通义
• 私有化部署：BGE、M3E
• 混合：都支持

性能指标

• 延迟：本地部署< API调用
• 吞吐：取决于硬件/并发
• 精度：需要在自己数据上测试

成本考量

• API按量付费，初期低
• 私有部署需GPU，长期划算
• 维度影响存储成本

9、如果RAG 效果很差，可以从哪几个方面去调试？

会按照RAG 的流程，逐步排查问题：

Step1，检索阶段调试

Step2，生成阶段调试

Step3，调试工具与方法

# 调试检索效果的方法
def debug_retrieval(query, index, metadata, k=10):
"""打印检索详情，帮助调试"""
query_vec= get_embedding(query)
distances, indices = index.search(
np.array([query_vec]).astype('float32'), k
)
print(f"Query: {query}")
print("-" * 80)
for rank, (idx, dist) in enumerate(zip(indices[0],
distances[0])):
if idx== -1:
continue
doc = metadata[idx]
similarity = 1 / (1 + dist)  # L2距离转相似度
print(f"Rank{rank+1} | 相似度: {similarity:.4f} | 距离: {dist:.4f}")
print(f"来源: {doc.get('source', 'N/A')}")
print(f"内容: {doc['text'][:100]}...")
print("-" * 40)
return indices, distances

• 先用debug_retrieval检查检索结果是否正确；
• 如果检索结果好但生成差，优化Prompt；
• 如果检索结果差，从分块/Embedding/Query改写入手；
• 记录Bad Case，建立评估数据集持续改进。

10、当用户的问题很模糊，或者依赖上一轮对话时，RAG 怎么优化？

Step1，问题类型分析

Step2，Query 改写技术

Step3，多轮对话RAG 架构

实践建议：

• 对话历史不宜过长，一般保留最近3-5轮；
• 可以用LLM判断是否需要改写，避免每次都改写；
• 改写模型可以用较小的模型，降低延迟；
• 记录改写前后的Query，便于调试。

11、只用向量检索吗？它有什么缺点？什么是混合检索？

向量检索的缺点：

• 对精确关键词匹配不敏感(如产品型号、人名) ；
• 可能漏掉字面完全匹配的内容；
• Embedding模型对领域专有词理解可能不准。

混合检索：结合向量检索和关键词检索(BM25)，取长补短。

12、检索召回了20 条文档，怎么确保喂给LLM 的是最好的3条？

使用Rerank (重排序) 技术，对初步召回的结果进行精排。Rerank流程如下：

Bi-Encoder (向量检索) ：Query和Document分别编码，计算向量相似度。

• 速度快，适合大规模召回；
• Query和Doc独立编码，交互信息少；
• 精度相对较低。

Cross-Encoder (Rerank) ：Query和Document拼接后一起编码，直接输出相关性分数。

• 精度高，能捕捉细粒度交互；
• 速度慢，只能处理少量候选；
• 适合对Top-K精排。

Rerank 实践建议:

• 召回数量(recall_k) 一般设置为最终需要数量的5-10倍；
• Rerank模型选择：中文推荐bge-reranker，多语言用Cohere；
• Rerank会增加延迟，需要在效果和速度间权衡；
• 可以设置分数阈值，过滤低相关性结果。

13、系统上线后，怎么维护和迭代知识库？

知识库维护是一个持续的过程，包括以下几个方面:

14、维护知识库能否通过Agent RL

Agent RL的核心思路：让Agent从环境反馈中学习改进策略。 关键是定义好：状态、动作、奖励。

对于企业场景，推荐方案A + 选择性微调的组合。

维护最佳实践：

• 定期审核：每周/月审核Bad Case，识别系统性问题；
• 增量更新：避免全量重建，使用增量方式更新索引；
• 版本控制：保留历史版本索引，支持快速回滚；
• 文档生命周期：设置过期时间，自动标记/清理过期内容；
• 监控告警：检索空结果率、用户负反馈率等指标超阈值时告警。

15、如何评估一个RAG 系统的好坏？

RAG系统的评估需要从检索质量和生成质量两个维度进行:

16、什么是RAGAS?

RAGAS (Retrieval Augmented Generation Assessment) 是一个专门用于评估 RAG 系统的开源框架，由Exploding Gradients 团队开发。

核心特点:

• 无需人工标注: 使用LLM 自动评估，大幅降低评估成本；
• 端到端评估: 同时评估检索质量和生成质量；
• 指标全面: 提供Faithfulness、Answer Relevancy、Context Precision 等核心指标；
• 易于集成: 与LangChain、LlamaIndex 等主流框架无缝对接。

安装: pip install ragas

GitHub: https://github.com/explodinggradients/ragas

生成质量指标(RAGAS框架)

• Faithfulness (忠实度)

答案是否基于检索到的内容，而非幻觉。评估方法: 用LLM判断答案中的每个声明是否能在上下文中找到支撑。

• Answer Relevance (答案相关性)

答案是否回答了用户的问题。评估方法: 用LLM根据答案反向生成问题，与原问题比较相似度。

• Context Relevance (上下文相关性)

检索到的内容是否与问题相关。评估方法: 计算上下文中与问题相关的句子比例。

• Context Recall (上下文召回)

检索是否召回了回答问题所需的所有信息。评估方法: 对比标准答案，检查所需信息是否被检索到。

评估建议:

• 构建包含50-100个样本的评估集，覆盖各类问题；
• 定期运行评估，监控系统质量变化；
• 重点关注Faithfulness，这是RAG的核心价值；
• 结合定量指标和人工抽检。

17、什么是GraphRAG，与传统RAG的区别？

GraphRAG 是微软提出的增强型RAG架构，通过构建知识图谱来增强检索和推理能力。

GraphRAG 使用建议:

• 构建成本高，适合高价值、复杂的知识库；
• 对于简单FAQ，传统RAG已足够；
• 可以与传统RAG结合: 简单问题用传统RAG，复杂问题用GraphRAG。

18、GraphRAG 中的核心概念都是什么？

Entity (实体)：从文档中抽取的关键对象。例: 人名、地名、产品名、概念；

Relationship (关系)：实体之间的联系。例: “属于”、“制造”、“位于”；

Community (社区)：图中紧密相连的实体群组，通过社区检测算法发现；

Community Summary：每个社区的LLM生成摘要，用于回答全局性问题。

19、GraphRAG 中的两种查询模式都是什么？

• Local Search (局部搜索)

适合：“XXX公司的CEO是谁？” 这类精确问题。

流程：Query -> 找到相关实体-> 沿关系扩展-> 收集上下文-> 生成答案。

• Global Search (全局搜索)

适合：“这篇文档的主要观点是什么？” 这类总结性问题。

流程：Query -> 遍历社区摘要-> Map-Reduce聚合-> 生成综合答案。

20、RAG 和Fine-tuning 怎么选？

选RAG：知识更新频繁、需要引用来源、数据量小、预算有限。

选Fine-tuning：需要改变模型风格/格式、领域术语复杂、追求推理速度。

组合使用：先微调让模型更好地遵循检索结果，再用RAG注入知识。

21、如何处理知识库中的矛盾信息？

• 为文档添加时间戳元数据，优先使用最新的；
• 为文档添加权威度标签，优先使用官方来源；
• 检索时同时返回多个来源，让LLM综合判断；
• 在Prompt中要求LLM指出信息冲突。

22、RAG 系统的延迟优化有哪些方法？

• 向量检索：使用ANN索引(HNSW, IVF)，降低精确度换速度；
• Embedding：使用本地小模型，或异步预计算；
• Rerank：减少候选数量，或使用蒸馏小模型；
• LLM：使用流式输出，选择更快的模型；
• 缓存：相似Query复用检索结果。

23、如何处理超长文档？

• 分层索引：先检索摘要，再检索详细段落；
• 滑动窗口：保留上下文的分块策略；
• 长上下文模型：使用支持128K+的模型(如Qwen, Claude)；
• 迭代检索：先检索一部分，根据LLM判断是否需要更多，

24、如何防止LLM幻觉？

• Prompt 明确指令：“仅基于提供的信息回答，不确定时说不知道”；
• 要求引用：让LLM标注答案来源于哪个文档；
• 降低temperature：减少随机性；
• 答案验证：用另一个LLM检查答案是否有上下文支撑；
• Rerank 精选：确保上下文高度相关；

25、多模态RAG 怎么做？

• 图片：使用多模态Embedding模型(如CLIP, 通义VL) 将图片向量化；
• 表格：转换为Markdown或JSON，保持结构信息；
• PDF：OCR提取文字+ 图表单独处理；
• 视频：抽帧+ 语音转文字，分别建索引；
• 统一使用多模态Embedding，实现跨模态检索。

26、如何保证RAG 系统的安全性？

• Prompt 注入防护：过滤用户输入中的指令；
• 权限控制：根据用户角色过滤可检索的文档；
• 敏感信息处理：脱敏后入库，或标记敏感级别；
• 输出过滤：检查生成内容是否包含敏感信息；
• 审计日志：记录所有查询和检索内容。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】