RAG 运行流程(一图详解)
检索增强生成(RAG)常被简略定义为“先检索,再生成”,但在实际工程落地中,这仅是高度概括的顶层逻辑。构建一个稳定的 RAG 系统并非简单地将文档投喂给大模型,而是一个涉及数据处理、语义匹配与上下文构建的完整链路。该流程从用户发起请求开始,经由应用层、检索器、知识库及大模型(LLM)的协同处理,最终返回带引用依据的生成结果。
01流程概述:RAG 的核心处理链路
RAG 的完整处理流程可以划分为四个核心阶段:问题理解、检索召回、上下文构造与答案生成。每一阶段都承担着特定的数据处理任务,环环相扣,共同决定了最终输出的质量与准确性。
02详细步骤拆解:10 步全链路解析
- 用户提出问题
用户输入原始问题,该输入可能呈现口语化、不完整或语义模糊的特征。 - 应用层接收请求
系统不直接将问题传递给大模型,而是先经由应用层进行预处理与路由分发。 - Query 理解与改写
针对模糊或意图不明确的输入,系统解析其意图并改写为更适合检索的高质量 Query。 - 向量化查询(Embedding)
检索器将改写后的 Query 转换为向量表示,以便系统进行语义层面的匹配,而非仅依赖关键词匹配。 - 知识库向量检索
查询向量进入知识库进行相似度计算,召回一批可能相关的候选文档片段。 - 重排与过滤(Top-K)
对初步召回的候选集进行重排序与过滤,剔除噪音,精准筛选出最相关的 Top-K 个结果。 - 拼接上下文,构造 Prompt
系统将用户原始问题与检索到的 Top-K 文档片段进行拼接,构建出包含参考资料的完整 Prompt。 - LLM 生成答案
大模型基于构造好的 Prompt,结合检索到的上下文内容生成针对性回答,而非仅依赖模型内部知识。 - 输出答案与引用来源
系统输出模型生成的答案,并附上对应的文档引用来源,提升结果的可追溯性与可信度。 - 返回结果给用户
应用层将最终的答案及引用信息封装,返回给用户端,完成全流程闭环。
03关键环节影响因素分析
RAG 系统的最终效果取决于链路中每一个关键环节的细节处理,而非单纯依赖文档的检索能力。以下六个核心环节对系统性能有着决定性影响:
| 关键环节 | 核心影响 | 具体作用 |
|---|---|---|
| Query 改写 | 检索方向 | 将模糊的用户意图转化为精确的检索指令,决定检索的起点是否正确。 |
| Embedding | 语义匹配 | 将文本转化为高维向量,直接影响语义检索的准确度与召回质量。 |
| 召回策略 | 信息覆盖率 | 决定知识库中相关信息的挖掘广度,避免遗漏关键信息。 |
| 重排序 | 结果精度 | 从海量召回中筛选最精准的片段,确保输入模型的信息高度相关。 |
| Prompt 构造 | 上下文利用 | 合理的提示词结构引导模型正确理解并利用检索到的参考资料。 |
| 引用来源 | 答案可信度 | 提供事实依据,减少模型幻觉,增强用户对生成结果的信任感。 |
RAG 链路关键环节影响维度表
在企业知识库构建、论文问答、智能客服、合同检索及文档助手等实际应用场景中,上述环节的优化是提升系统稳定性的关键。RAG 架构虽看似简单,但其工程化落地的难点与核心竞争力,正体现在对每一个步骤细节的精准把控上。
当前文章无评论,是时候发表评论了