引言：RAG - LLM 应用落地的关键技术

---

在 LLM 浪潮爆发之后，RAG (检索增强生成) 技术因其清晰的技术路径和相对可控的实施成本，成为企业快速落地 AI 应用的重要突破口。本文将分享我们在构建企业知识库智能问答系统过程中的实践历程：如何通过系统化的优化方法，将准确率从初期的 30% 提升到 90% 的实用水平。

这不仅是一个追踪 RAG 技术演进的历程，更是一个将 LLM 技术落地为实用产品的实践案例。本文将介绍如何通过优化召回策略、选择生成模型、设计产品策略，构建一个准确性高、成本可控的 RAG 知识库问答系统，无需复杂的模型精调工作。

RAG流程示意图

初期探索：从简单实现到系统思考

---

V1 版本：基础 RAG 实践

在 2023 年下半年，我们完成了第一版基于 RAG 的知识库问答系统的上线。这个版本采用了相对简单且主流的技术方案：

• 文档预处理：采用基于三级标题的分割策略，将文档切分为 500～1000 tokens 的片段，并保留 Markdown 格式的富文本内容
• 向量化处理：使用当时表现较好的 bge-large-zh-v1.5 模型进行文本向量化
• 检索策略：结合向量搜索和基于 Elastic Search 的关键词混合检索方案，通过 RRF（Reciprocal Rank Fusion）算法融合排序
• 问答生成：选用 ChatGLM3-6B 作为基础模型，提供问题总结服务

然而，这个版本在实际运营中的表现并不理想。系统性评测结果显示，真实用户提问的回答正确率仅有约 30%。而更令人沮丧的是，在相当长的一段时间内，我们难以找到明确的优化方案。

RAG 技术远比想象中更难以提升效果。

大模型业界发展：新模型带来的转机

2023 年底至 2024 年初，大模型业界依然在狂飙突进。几个关键的技术进展为我们带来了新的思路：

• 更强大的基础模型：阿里巴巴 Qwen 系列模型的快速迭代（从 qwen1.5到 qwen2），在中文理解、指令遵循等方面都展现出显著优势，尤其是其 32k 的上下文支持能力
• 更优秀的向量模型：北京智源研究院发布的 reranker 重排序模型和bge-m3 embedding 模型，为检索优化提供了新的可能性
• 技术思路的突破：twitter 社区上出现关于 Long Context 与 RAG 技术优劣的大讨论，启发我们重新思考系统架构

2024年初 X 上 Long Context replace RAG的讨论

通过初步测试，我们发现更长的上下文长度支持下（32k），能成倍的增加召回文档的数目，从而显著的提升问答的准确性。然而，这种提升伴随着明显的成本增长：响应时间的增加，以及 GPU 显存消耗增加。

这时就需要评估，如何平衡问答准确性与计算成本和延时？

方法论：构建系统化的评测方案

---

为了找到这个平衡点，我们设计了一套系统化的评测方案：

1. RAG 流程的漏斗模型

我们将 RAG 流程解构为两个关键阶段：

• 召回阶段：从知识库中检索相关文档
• 生成阶段：基于检索结果生成答案

这种分解让我们能够分别优化和评估各个环节的性能，更精确地定位瓶颈所在。

RAG流程的漏斗模型

2. 标准化评测集

我们建立了包含200个标准问题的评测集，每个问题都包括了：

• 相关文档链接
• 标准参考答案

这个评测集覆盖了不同类型和难度的问题，能够较好地模拟真实场景下的用户提问。评测的目的是评估不同 RAG 策略的相对优劣，并不等于线上真实运营的结果。

3. 量化的优化策略

基于这个评测体系，我们展开了系统性的优化工作：

召回阶段

召回阶段的目标是选择最优的文档召回策略。通过深入分析不同策略组合的特点，我们得到这些结论：

• Vector Search：速度快，适合作为粗排阶段，快速召回 Top K (20/50/100) 的文档
• **Rerank：**准确率高，但耗时较大，适合作为精排阶段，对粗排结果进一步提升正确文档的排名。实验表明，对于相同的 N 值，Rerank 比 Vector Search 的准确率普遍提升约 10%
• Recall@N：N 值越大，召回文档越多，准确率越高，但同时也增加了输送给 LLM 的 Context Length，对模型的要求也更高

向量搜索、Rerank及TopN的评测实验

召回阶段的优化策略

• Vector Search 作为粗排，召回 Top 100 的文档
• Rerank 作为精排，从中选取 Top 15 的最相关文档
• 最终实现了约 85% 的 Recall@15 准确率

生成阶段

模型生成阶段的目标是选择性能和性价比俱佳的模型。经过多次实验和对比，我们发现 Qwen2.5-7B 模型在 10k Context Length 下，依然能保持 90% 左右的正确率，且明显优于之前使用的 ChatGLM3-6B。虽然 Qwen2.5-72B 参数更大，准确率方面有略微提升，但其对显存要求极高，并不具备经济性。

生成阶段的优化策略

• 选定 Qwen2.5-7B 作为生成模型
• 将上下文长度限制在 10k tokens，在保证性能的同时控制资源消耗
• 最终模型达到了约 90% 的生成准确率

产品化思考：技术之上的产品优化

---

我们逐渐意识到，仅依靠模型技术的优化是不够的。要建设一个真正好用的知识库问答系统，需要从产品和用户体验的角度进行全方位提升：

1. 文档体系建设

大模型素有 “garbage in, garbage out” 的说法。这强调了文档质量的重要性。不但要写好文档，更需要 “面向LLM” 写文档。因此在文档建设方面：

• 补充高频文档：针对性补充常见问题的标准答案，效果立竿见影
• 面向 LLM 写文档：确保文档背景知识完整、语义清晰、对模型友好

2. 用户交互优化

我们观察到用户在不同场景下的提问有差异性，并且用户可能无法准确描述问题。因此在产品设计方面：

• 设计场景化的问题推荐，引导用户更准确地表达问题
• 提供答案反馈机制，持续收集用户反馈进行优化

成果与思考

---

通过上述系统性优化，我们最终实现了：

• 召回阶段：正确文档召回率达到 95%
• 生成阶段：生成答案准确率达到 90%

这个结果意味着可以投入生产运营中，我们的系统已经为大多数用户提供切实有效的帮助。

整个优化过程也让我们获得了一些重要经验：

1. 系统化方法的重要性：通过建立标准评测体系和量化指标，我们能够更客观地评估不同优化策略的效果

2. 平衡性能与成本：不必一味追求最大参数的 LLM，优秀的 7B 级别的小模型已经足以解决好 RAG 场景

3. 产品设计的必要性：技术优化需要与产品设计优化相结合，才能扬长避短的落地 LLM 应用

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】