![[人工智能]检索增强生成(RAG)算法：概念与工程实践](http://pic.xiahunao.cn/yaotu/[人工智能]检索增强生成(RAG)算法：概念与工程实践)
检索增强生成RAG算法概念与工程实践本文从工程实践角度介绍检索增强生成Retrieval-Augmented GenerationRAG算法包括核心组件、典型检索与生成策略、智能体式编排模式以及评估与优化方法。目标是为构建可靠、可落地的企业级与场景化大模型应用提供参考。图1从用户查询到检索、生成和后处理的RAG高层流程示意。图2词项检索、稠密检索和混合检索在Recall10上的示意对比非真实测试数据。图3在RAG系统中检索深度Top-k增加对端到端时延的影响示意。组件作用示例说明检索器根据查询从知识库中筛选候选文档或片段。BM25、稠密向量检索、混合检索、多向量检索等。检索质量直接影响回答依据和幻觉率。索引存储文档表示以支持快速检索。倒排索引、向量索引HNSW、IVF、混合索引。索引结构影响时延、召回率和更新成本。生成模型LLM在查询检索上下文条件下生成最终回答。通用大模型、行业垂直大模型等。提示工程和解码策略是关键调优手段。编排器/Agent负责协调改写、检索、重排和生成等步骤。工具型智能体、工作流引擎、管线编排器等。实现多步推理和控制策略。表1RAG系统核心组件及其作用。策略描述优点局限词项检索BM25基于词频和逆文档频率进行相关性排序。精确匹配能力强稳健且可解释。对同义表达和词汇差异的语义匹配能力有限。稠密检索利用训练好的向量表示通过相似度进行检索。能够捕获语义相似度不局限于字面匹配。需要训练模型并依赖专门的向量索引。混合检索将词项和稠密得分组合如加权求和。往往能兼顾精确匹配与语义匹配召回率更高。打分和权重调优更复杂。多步/多跳检索通过若干子查询或多跳推理逐步检索信息。适用于复杂问题和组合推理任务。时延更高错误累积风险更大。表2RAG中常见的检索策略示例。指标定义关注点说明回答准确率回答正确的问题占比。评估端到端效果。通常依赖人工标注或任务特定的打分方法。可信度/忠实度回答在多大程度上由检索到的证据支持。评价是否“有据可依”控制幻觉。需要检查引用或证据片段与回答的一致性。检索召回率k目标文档出现在Top-k结果中的概率。衡量检索器质量。构成回答准确率的上界是检索调优的重要指标。时延与成本每个查询的响应时间和资源消耗。影响系统的可用性和运营成本。受索引类型、Top-k、上下文长度和模型大小等因素影响。表3评估RAG算法和系统的关键指标。1. 背景与动机检索增强生成RAG通过将大模型与外部知识库结合使回答不仅依赖参数中固化的知识还可以动态利用最新的文档、数据库和业务系统信息。与纯生成式模型相比RAG更易于更新知识、降低幻觉风险并有助于实现可追溯和可审计的回答。在企业和垂直行业场景中许多问题需要结合内部文档、流程和配置数据。通过RAG算法系统可以在回答前先检索相关内容再基于这些证据组织自然语言输出从而实现“有据可依”的智能问答。2. RAG算法的核心组件典型RAG系统由查询处理、检索、重排、生成和后处理等环节组成。查询处理阶段可能包含任务分类、意图识别或查询改写以提升后续检索效果。检索阶段常使用词项检索、稠密向量检索或两者结合的混合检索方式生成阶段由大模型在“查询检索上下文”的条件下输出回答后处理可以用于格式化输出、插入引用、或进行敏感信息过滤。3. 文档切分、索引与准备在检索之前需要对原始文档进行清洗、切分和索引构建。切分策略可以基于固定长度窗口也可以基于标题、段落或语义相似度进行自适应分段。合理的切分能在保留上下文信息的同时减少与问题无关的噪声内容进入提示。文档通常会附带元数据如文档类型、时间戳、标签和访问控制信息。索引层面可以根据元数据进行分片或分层以提升检索效率和数据新鲜度。对于持续更新的知识库需要设计稳定可靠的增量索引和重建流程。4. 检索算法与打分机制词项检索如BM25擅长处理精确关键字匹配配合过滤条件可以高效地从大规模文档中筛选候选结果。稠密检索则通过学习到的向量表示从语义角度衡量查询与文档之间的相关性能够覆盖更多同义或改写表达。混合检索将词项得分与向量相似度进行融合常常能获得更高的召回率。对于复杂问题可以使用多轮检索或多跳检索逐步获取多个文档片段并在生成阶段进行综合推理但这也会引入额外时延和复杂度。5. 生成与答案“落地”算法在生成阶段提示模板通常会显式告诉模型回答要基于给定上下文不要胡编乱造无法从检索结果中获得答案时要清晰说明“未找到相关信息”。提示中还可以要求模型给出引用或原文片段位置。更高级的做法包括在解码过程中逐步融合多个文档类似fusion-in-decoder结构或采用一定形式的受限生成将输出限制在检索文本的改写和组合范围内从而进一步降低幻觉风险但可能对流畅度或灵活性有一定影响。6. 编排模式与Agent式RAG在复杂业务场景下往往需要多个步骤才能得到最终答案RAG会与Agent/工作流引擎结合形成“检索工具调用推理”的组合流程。智能体可以根据问题类型选择不同知识库、不同检索策略或不同工具然后将多次检索结果进行整合。这类编排算法关注“何时再次检索”“如何拆分子问题”“在哪一步结束流程”等决策问题。检索被视为众多工具之一与计算、代码执行或API调用共同参与到链式推理中。7. RAG的评估指标与实验方法相较于纯生成模型RAG的评估需同时考察检索和生成两个阶段。检索端常使用Recallk、Precisionk等指标生成端可采用准确率、F1、人类打分等任务相关指标。忠实度/可追溯性是RAG中特别重要的维度需要判断回答是否有充分证据支撑以及引用是否正确。此外还需评估延迟、吞吐量和成本等工程指标确保算法在实际部署中可承受。8. 工程折衷与实践建议在实际系统中需要在质量、时延和成本之间做出折衷。提高Top-k可以提升召回率但会增加时延并可能导致提示“被噪声淹没”增加上下文长度能携带更多证据却会提高推理成本并可能削弱关键信息的相对权重。实践经验包括记录完整的“查询-上下文-回答”三元组用于离线评估在真实业务流量上进行AB实验而不仅依赖静态数据集设计合理的兜底策略例如在检索失败时给出说明性回答和明确的“未命中”反馈。
[人工智能]检索增强生成(RAG)算法：概念与工程实践
发布时间：2026/7/25 11:20:47
检索增强生成RAG算法概念与工程实践本文从工程实践角度介绍检索增强生成Retrieval-Augmented GenerationRAG算法包括核心组件、典型检索与生成策略、智能体式编排模式以及评估与优化方法。目标是为构建可靠、可落地的企业级与场景化大模型应用提供参考。图1从用户查询到检索、生成和后处理的RAG高层流程示意。图2词项检索、稠密检索和混合检索在Recall10上的示意对比非真实测试数据。图3在RAG系统中检索深度Top-k增加对端到端时延的影响示意。组件作用示例说明检索器根据查询从知识库中筛选候选文档或片段。BM25、稠密向量检索、混合检索、多向量检索等。检索质量直接影响回答依据和幻觉率。索引存储文档表示以支持快速检索。倒排索引、向量索引HNSW、IVF、混合索引。索引结构影响时延、召回率和更新成本。生成模型LLM在查询检索上下文条件下生成最终回答。通用大模型、行业垂直大模型等。提示工程和解码策略是关键调优手段。编排器/Agent负责协调改写、检索、重排和生成等步骤。工具型智能体、工作流引擎、管线编排器等。实现多步推理和控制策略。表1RAG系统核心组件及其作用。策略描述优点局限词项检索BM25基于词频和逆文档频率进行相关性排序。精确匹配能力强稳健且可解释。对同义表达和词汇差异的语义匹配能力有限。稠密检索利用训练好的向量表示通过相似度进行检索。能够捕获语义相似度不局限于字面匹配。需要训练模型并依赖专门的向量索引。混合检索将词项和稠密得分组合如加权求和。往往能兼顾精确匹配与语义匹配召回率更高。打分和权重调优更复杂。多步/多跳检索通过若干子查询或多跳推理逐步检索信息。适用于复杂问题和组合推理任务。时延更高错误累积风险更大。表2RAG中常见的检索策略示例。指标定义关注点说明回答准确率回答正确的问题占比。评估端到端效果。通常依赖人工标注或任务特定的打分方法。可信度/忠实度回答在多大程度上由检索到的证据支持。评价是否“有据可依”控制幻觉。需要检查引用或证据片段与回答的一致性。检索召回率k目标文档出现在Top-k结果中的概率。衡量检索器质量。构成回答准确率的上界是检索调优的重要指标。时延与成本每个查询的响应时间和资源消耗。影响系统的可用性和运营成本。受索引类型、Top-k、上下文长度和模型大小等因素影响。表3评估RAG算法和系统的关键指标。1. 背景与动机检索增强生成RAG通过将大模型与外部知识库结合使回答不仅依赖参数中固化的知识还可以动态利用最新的文档、数据库和业务系统信息。与纯生成式模型相比RAG更易于更新知识、降低幻觉风险并有助于实现可追溯和可审计的回答。在企业和垂直行业场景中许多问题需要结合内部文档、流程和配置数据。通过RAG算法系统可以在回答前先检索相关内容再基于这些证据组织自然语言输出从而实现“有据可依”的智能问答。2. RAG算法的核心组件典型RAG系统由查询处理、检索、重排、生成和后处理等环节组成。查询处理阶段可能包含任务分类、意图识别或查询改写以提升后续检索效果。检索阶段常使用词项检索、稠密向量检索或两者结合的混合检索方式生成阶段由大模型在“查询检索上下文”的条件下输出回答后处理可以用于格式化输出、插入引用、或进行敏感信息过滤。3. 文档切分、索引与准备在检索之前需要对原始文档进行清洗、切分和索引构建。切分策略可以基于固定长度窗口也可以基于标题、段落或语义相似度进行自适应分段。合理的切分能在保留上下文信息的同时减少与问题无关的噪声内容进入提示。文档通常会附带元数据如文档类型、时间戳、标签和访问控制信息。索引层面可以根据元数据进行分片或分层以提升检索效率和数据新鲜度。对于持续更新的知识库需要设计稳定可靠的增量索引和重建流程。4. 检索算法与打分机制词项检索如BM25擅长处理精确关键字匹配配合过滤条件可以高效地从大规模文档中筛选候选结果。稠密检索则通过学习到的向量表示从语义角度衡量查询与文档之间的相关性能够覆盖更多同义或改写表达。混合检索将词项得分与向量相似度进行融合常常能获得更高的召回率。对于复杂问题可以使用多轮检索或多跳检索逐步获取多个文档片段并在生成阶段进行综合推理但这也会引入额外时延和复杂度。5. 生成与答案“落地”算法在生成阶段提示模板通常会显式告诉模型回答要基于给定上下文不要胡编乱造无法从检索结果中获得答案时要清晰说明“未找到相关信息”。提示中还可以要求模型给出引用或原文片段位置。更高级的做法包括在解码过程中逐步融合多个文档类似fusion-in-decoder结构或采用一定形式的受限生成将输出限制在检索文本的改写和组合范围内从而进一步降低幻觉风险但可能对流畅度或灵活性有一定影响。6. 编排模式与Agent式RAG在复杂业务场景下往往需要多个步骤才能得到最终答案RAG会与Agent/工作流引擎结合形成“检索工具调用推理”的组合流程。智能体可以根据问题类型选择不同知识库、不同检索策略或不同工具然后将多次检索结果进行整合。这类编排算法关注“何时再次检索”“如何拆分子问题”“在哪一步结束流程”等决策问题。检索被视为众多工具之一与计算、代码执行或API调用共同参与到链式推理中。7. RAG的评估指标与实验方法相较于纯生成模型RAG的评估需同时考察检索和生成两个阶段。检索端常使用Recallk、Precisionk等指标生成端可采用准确率、F1、人类打分等任务相关指标。忠实度/可追溯性是RAG中特别重要的维度需要判断回答是否有充分证据支撑以及引用是否正确。此外还需评估延迟、吞吐量和成本等工程指标确保算法在实际部署中可承受。8. 工程折衷与实践建议在实际系统中需要在质量、时延和成本之间做出折衷。提高Top-k可以提升召回率但会增加时延并可能导致提示“被噪声淹没”增加上下文长度能携带更多证据却会提高推理成本并可能削弱关键信息的相对权重。实践经验包括记录完整的“查询-上下文-回答”三元组用于离线评估在真实业务流量上进行AB实验而不仅依赖静态数据集设计合理的兜底策略例如在检索失败时给出说明性回答和明确的“未命中”反馈。
