RAG检索增强生成是一种方法论，由检索和增强生成两部分组成，旨在解决大模型知识更新不及时、幻觉和时效性问题。搜索技术是RAG的核心组件，负责从外部知识库获取相关内容构建高质量上下文。文章介绍了多种搜索技术，包括字符串匹配、分词、语义相似度检索，以及针对格式化数据的检索方法，强调上下文质量直接影响模型生成效果。
“搜索技术是RAG的核心组成部分，没有搜索就不存在RAG。”
说到RAG检索增强，很多人都知道它是和大模型应用有关的技术，而且网上也有很多介绍RAG的文章和代码；作者在之前的文章中也介绍过RAG的本质并不是指一项具体的技术，而是一种方法论；因此，RAG更像是多种技术的组合体。
RAG——中文名称叫检索增强生成，其实RAG是由两部分组成，检索和增强生成；检索类似于传统的搜索技术，而增强生成才是和大模型相关的内容。
检索增强生成和搜索
RAG检索增强生成的目的是为了解决大模型的缺陷问题：
- 知识更新不及时
- 模型幻觉问题
- 知识时效性问题
所以，为了解决这些问题，在模型进行生成之前，先使用搜索技术从外部知识库中检索到与问题相关的内容，然后再用这些内容构建上下文，交给大模型，让模型根据这些外部知识进行内容生成，这就达到了检索增强生成的目的。
为什么说RAG是一种方法论，而不是指某一项具体的技术？
原因就在于，RAG本身并没有约束你使用那种搜索技术，也没约束你怎么构建大模型上下文进行更好的内容生成。
对大模型来说，它只关注你构建的上下文质量怎么样，不要超出上下文窗口限制；但上下文中的内容是怎么来的，就不是它关心的事了。
因此，大模型生成的内容怎么样，一是看你的上下文构建方式，二是看你检索到的数据质量。
所以，如果说上下文管理技术决定了模型生成的质量，那么搜索技术就是保证上下文质量的核心组件。
搜索技术
自搜索引擎出现以来，搜索技术就已经渗透到我们生活的方方面面；我们平常遇到问题使用百度或谷歌，买东西时在购物APP中搜索需要的商品，在视频网站搜索我们想看的电影，这些都属于搜索技术的范畴。
但这些都是从用户的角度来看的，那么从技术的角度来说，有哪些常见的搜索技术呢？
事实上搜索技术涉及的范围非常广，在不同的场景中有不同的解决方案和技术栈；如搜索引擎的搜索技术和电商APP的搜索技术就不尽相同。
而作为开发人员，我们经常用到的所谓的搜索技术，应该就是基于数据库的字符匹配方式了；通过完整的字符串匹配获取最终的结果，基于缓存的搜索方式同样如此。
只不过，在类似于搜索引擎和大模型自然语言对话场景中，基于字符串匹配的方式就不太行了；这时就需要用到分词技术和语义相似度检索技术。
原因就是，用户可能说了一段话，但这段话中并没有完整的字符匹配内容，这时通过分词，从用户问题中提取关键字和词，进行数据匹配，以实现搜索的目的。
而语义相似度检索方式，是人工智能技术发展的产物，其原理是通过向量计算，来计算文本的语义相似度，这样就可以根据问题找到与问题相关的内容。
但是，这些基于分词和语义匹配的方式虽然好用，但如果针对格式化数据应该怎么办呢？比如说表数据？
这时，你可能说这不就是字符匹配的方式吗？
基于表结构的数据检索确实是字符匹配，但在自然语言对话中，用户说的是自然语言并不是专业术语，这个应该怎么办？
这种方式使用语义检索明显不是一个好的办法，因此这时大模型的语义理解能力就有用武之地了。
通过让大模型理解用户的问题，然后根据问题去生成查询语句或查询参数，这样就可以通过SQL或调用API的方式来获取数据。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。