- 文档加载（Document Loading） 目的：将外部知识源（如文档、网页、数据库等）导入系统。 操作：使用文档加载工具（如 LangChain 的DirectoryLoader、PyPDFLoader等）读取不同格式的文件（TXT、PDF、DOCX 等），转化为统一的文档对象（包含文本内容、元数据等）。
- 文本分割（Text Splitting） 目的：将长文档拆分为更小的文本块（Chunks），避免因文本过长导致向量表示失真，同时提升检索精度。 操作：使用文本分割工具（如CharacterTextSplitter、RecursiveCharacterTextSplitter），根据预设的chunk_size（块大小）和chunk_overlap（块重叠度）分割文本，保留语义完整性。
- 向量存储（Vector Storage） 目的：将文本块转化为机器可理解的向量，并存储在向量数据库中，便于后续快速检索。 操作： 用嵌入模型（如all-MiniLM-L6-v2、text2vec-base-chinese）将文本块编码为向量； 将向量及对应文本块存入向量数据库（如 FAISS、Milvus 等）。
- 检索相关上下文（Retrieval） 目的：根据用户查询，从向量库中找到最相关的文本块，作为回答的依据。 操作： 将用户查询转化为向量； 在向量库中通过相似度算法（如余弦相似度）检索 top-k 个最相关的文本块； 对检索结果去重、过滤低相关度内容，得到最终上下文。
- 生成回答（Generation） 目的：结合检索到的上下文和用户查询，调用大语言模型生成准确回答。 操作： 构建提示词（Prompt），将上下文和用户问题传入； 调用大语言模型（如 API 接口或本地模型），约束模型仅基于提供的上下文生成回答，减少幻觉。 总结 RAG 的核心逻辑是 “检索增强生成”：通过检索外部知识为模型提供精准依据，再由模型基于这些依据生成回答，既发挥了大语言模型的生成能力，又通过外部知识解决了模型 “知识过时”“幻觉生成” 等问题。 ————————————————
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。原文链接：https://blog.csdn.net/2401_87632893/article/details/150446073
)
)
