AI RAG 系统完整工作流程
·
RAG 系统完整工作流程
RAG（Retrieval-Augmented Generation，检索增强生成）系统从用户发出消息到返回应答，中间经历多个关键步骤。下面通过几张图表来详细说明整个流程。
一、端到端总览流程图
二、详细检索流程（核心环节）
三、时序图：各组件协作过程
四、离线索引构建流程（前置准备）
RAG 系统在服务用户之前，还需要一个离线知识库构建的过程：
五、各步骤关键说明
| 步骤 | 说明 | 关键技术/组件 |
|---|---|---|
| ① Query 预处理 | 意图识别、纠错、Query 改写、多轮对话历史截取 | LLM / 规则引擎 / NLU |
| ② 向量检索 | 将 Query 转为向量，在向量数据库中做 ANN 近似最近邻搜索 | Milvus, Pinecone, FAISS, Weaviate |
| ③ 混合检索 | 结合向量检索 + 关键词检索（BM25），提升召回率 | ElasticSearch, RRF 融合 |
| ④ Rerank 精排 | 用交叉编码器对召回文档做精细化排序 | Cohere Rerank, BGE-Reranker, ColBERT |
| ⑤ Prompt 组装 | 将检索到的上下文拼接到 Prompt 模板中，控制 Token 长度 | Prompt Template, Token 管理 |
| ⑥ LLM 生成 | 大模型基于上下文生成答案，减少幻觉 | GPT-4, Claude, 通义千问, DeepSeek |
| ⑦ 后处理 | 引用溯源、事实校验、答案格式化、安全过滤 | 规则引擎 / LLM 审核链 |
六、整体架构思维导图
总结
一句话概括：用户提问 → 改写优化 Query → 从知识库检索相关文档（向量 + 关键词混合检索 → Rerank 精排）→ 拼装 Prompt（上下文 + 问题） → LLM 基于检索内容生成回答 → 后处理返回用户。
核心价值在于：LLM 的回答不是凭空生成的，而是基于真实检索到的知识库内容，从而大幅降低幻觉、提高准确性，并可以追溯引用来源。
（END）
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
9
0- 0
已为社区贡献10条内容
所有评论(0)