趋近智
检索增强生成 (RAG) 入门
章节 1: 检索增强生成技术简介
标准大型语言模型的局限性
什么是检索增强生成（RAG）？
RAG系统的核心架构
RAG 对比微调：理解其差异
使用RAG的优势
第 1 章测验
章节 2: 检索组件
检索器在 RAG 中的作用
向量嵌入简介
常用嵌入模型
相似性搜索：查找相关向量
向量数据库简介
选择向量数据库：考量因素
实践：生成文本嵌入
第 2 章测验
章节 3: 准备检索所需数据
从不同来源加载文档
文档分块的必要性
固定大小分块策略
内容感知的分块方法
数据块的元数据关联
将处理后的数据存储到向量数据库中
动手实践：文档分块
第 3 章测验
章节 4: 生成模块与增强
生成器（LLM）在RAG中的作用
RAG提示词的结构化
上下文注入方法
管理上下文长度限制
生成最终回复
生成内容中的来源归属
第 4 章测验
章节 5: 搭建一个基本RAG流程
RAG 框架概述 (例如 LangChain、LlamaIndex)
环境配置
实现检索器
实现生成器集成
结合检索与生成
在流程中执行查询
动手实践：端到端RAG系统
第 5 章测验
章节 6: RAG系统的评估与改进
评估RAG的挑战
组件层面的评估：检索
组件级别评估：生成
端到端RAG评估框架
常见故障模式
改进的基本策略
实践：分析RAG输出质量
第 6 章测验
相似性搜索：查找相关向量
全新 · 开源
Kerb - 大语言模型开发工具包
用于构建生产级 LLM 应用的 Python 工具包。提供提示词、RAG、智能体、结构化输出和多提供商支持等模块化实用工具。
这部分内容有帮助吗？
- Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks, Nils Reimers and Iryna Gurevych, 2019 Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP) (Association for Computational Linguistics (ACL)) DOI: 10.18653/v1/D19-1410 - 本文介绍了Sentence-BERT，一种生成具有语义意义的句子嵌入的方法，该方法对于基于余弦相似度的语义搜索（RAG系统中的核心技术）非常有效。
- Introduction to Information Retrieval, Christopher D. Manning, Prabhakar Raghavan, and Hinrich Schütze, 2008 (Cambridge University Press) - 一本基础教科书，对向量空间模型、余弦相似度和信息检索的理论基础进行了详细阐述，与语义搜索直接相关。其中第六章尤其有价值。
- Approximate Nearest Neighbor Search, Alexandr Andoni, Piotr Indyk, Thijs Laarhoven, Ilya Razenshteyn, Ludwig Schmidt, 2021 Communications of the ACM, Vol. 64 (Association for Computing Machinery) DOI: 10.1145/3472066 - 这篇综述文章全面介绍了近似最近邻（ANN）搜索算法，这些算法对于在大规模向量数据库中高效扩展相似度搜索至关重要。
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Patrick Lewis, Ethan Perez, Aleksa Gordić, Vladimir Karpukhin, Katja Filippova, Marc'Aurelio Ranzato, Mihai S. Rădulescu, Mike Lewis, Yann N. Dauphin, and Douwe Kiela, 2020 Advances in Neural Information Processing Systems (NeurIPS) (NeurIPS Foundation) DOI: 10.5591/neurips.2020.00949 - 这篇基础论文介绍了检索增强生成（RAG）框架，详细阐述了如何将依赖相似度搜索的检索组件与大型语言模型相结合，以提高性能。
© 2025 ApX Machine LearningEngineered with