大约 2 分钟
RAG 检索增强篇：这个合集能让你学到什么？
大模型有一个致命短板：它的知识是"冻结"在参数里的。
你问它今天天气怎么样？它不知道。你问它公司内部的文档内容？它也不知道。你问它最新的技术动态？它的回答可能过时了。
RAG（Retrieval-Augmented Generation）就是来解决这个问题的。它的核心思路很简单：先从外部知识库检索相关信息，再把检索到的内容塞给大模型，让它基于这些信息生成回答。就像"开卷考试"——模型不需要记住所有知识，只需要会"查资料"和"用资料"。
本篇共 10 篇文章，从 RAG 的基本概念出发，覆盖文档切分、向量数据库、检索方法、重排序，以及常见问题的排查与优化。
十篇文章，系统覆盖 RAG 全链路
基础概念篇（前三篇）
先搞清楚 RAG 是什么，它和微调有什么区别，什么时候该用 RAG。然后理解文档切分 Chunk 的策略——切太大检索不准，切太小丢失上下文。
- RAG 是什么？为什么大模型需要外部知识库？ - RAG 的本质
- RAG 和微调有什么区别？什么时候该用 RAG？ - 两种方案的取舍
- 文档切分 Chunk 应该怎么做？ - 切分策略详解
检索核心篇（中间四篇）
向量数据库在 RAG 中起什么作用？Embedding 模型如何选择？相似度检索、关键词检索、混合检索有什么区别？BM25 这个"老古董"为什么还能在 RAG 中发挥作用？
- 向量数据库在 RAG 中起什么作用？ - 向量存储与检索
- Embedding 模型如何选择？ - 模型选型指南
- 相似度检索、关键词检索、混合检索有什么区别？ - 三种检索方式对比
- BM25 为什么还能在 RAG 中发挥作用？ - 经典算法的价值
优化与实战篇（最后三篇）
Rerank 重排序为什么重要？RAG 为什么会答非所问？如何优化 RAG 的召回率和准确率？这些是 RAG 工程化必须解决的问题。
- Rerank 重排序为什么重要？ - 精排的价值
- RAG 为什么会答非所问？ - 常见问题排查
- 面试高频：如何优化 RAG 的召回率和准确率？ - 优化方法论