前言大模型和RAG一样都是针对用户的问题给出答复那么为什么有问题不直接问deepseek还要跑一遍RAGRAG的出现从根本上解决了大模型在处理知识时的一个核心痛点如何高效、准确且低成本地利用那些未训练过的、私有的或最新的知识来回答问题。如果我们希望大模型根据某些特定的知识内容生成答案就必须将这些知识提供给模型。似乎我们可以把这些知识全部发送给模型但实际上并不可行一方面大模型本身的上下文长度有限无法一次性处理大量内容另一方面即使上下文窗口未来不断扩大每次提问都传入海量文档也会导致计算成本高昂、响应速度慢并且可能引入无关信息干扰模型判断。RAG通过“检索-增强-生成”的方式针对用户的问题系统首先在专用知识库中检索最相关的信息片段仅将这些精选出的上下文传递给大模型。这样既克服了长度限制、降低了成本也确保了模型作答的依据始终聚焦在我们提供的权威知识内。同时借助RAG的工作流设计我们还可以控制大模型的思考路径使其按照预设流程推理而非随意发挥进一步提升了回答的准确性与可靠性。接下来我们通过两个例子详细介绍下如何用RAG实现信息聚焦和流程控制信息聚焦举一个沟通问题的例子。比如我和我的室友沟通不太顺畅希望AI可以给我一些建议。我希望AI使用《非暴力沟通》这本书的知识来指导我的沟通。于是我问deepseek我的室友经常不收拾屋子让我很烦躁所以我跟他说“你总是不收拾屋子让我很烦躁”室友听了后显得很生气并且没有什么改变我应该怎么跟他沟通才能解决这个问题很明显AI虽然给出了回答但是不是我想要的因为我希望使用到《非暴力沟通》的知识当然如果在提示词中直接说明需要使用《非暴力沟通》的知识回答deepseep也可以给我们想要的答案这是因为DeepSeek在训练过程中很可能学习过这本书的相关内容所以它能理解并执行这个指令但是实际业务中可能AI的最初训练资料中没有相关知识所以你即使指定所用知识AI也是无法回答的此时我们引入了RAG来看看AI的回答我们使用coze搭建一个简单的RAG在COZE中创建知识库并上传知识内容时COZE按照一定的规则做出知识分块、向量化等操作我们不需要太复杂的工序即可搭建一个RAG这里是使用《非暴力沟通》的PDF版本上传后作为一个知识库然后在agent中调用这个知识库让我们看看引入RAG后的回答可以看到我们使用了和给到deepseek相同的提示词但是在这个回答中AI给出的第一个回答正是按照书中观察、感受、需要、请求的四个要素给出沟通建议当然如果我们给deepseek的问题中指定需要用非暴力沟通的方式作答也是可以满足需求的这是因为当我没有指定用什么知识回答时deepseek的知识范围是所有的训练内容那就势必会让知识太过繁杂导致无法按照我的预想回答。但是当我指定用非暴力沟通的知识回答时deepseek也可以在他的训练知识中提取这一块知识来回答由此可以看出当我们想要聚焦知识或者有些知识不在大模型的初始训练知识内时使用RAG是一种实现目的的途径将需要的信息整理到知识库内通过知识库内的检索让AI生成我们需要的答案流程控制仅仅让AI“知道”知识还不够我们更需要它按照我们设定的专业流程来思考和工作从而保证输出结果的高度一致性和专业性。这就是使用RAG的另一个强大能力——流程控制。我们以一个非常实际的场景为例一个自主研发的WMS仓库管理系统需要出海所有界面、菜单、提示的文本都需要翻译成英文。如果单纯靠人或直接让大模型翻译会面临很多问题不统一不同的人对同一个词可能有不同的翻译。比如“库位”有人译成Location有人译成Storage Location甚至可能是Bin。不专业某些术语在物流行业有固定叫法。比如“波次拣货”翻译成Wave Picking是专业术语而按字面翻译成Batch Order Picking就显得很不专业。风格不一对于大小写是Order还是order、动词名词形式是Confirm还是Confirmation没有统一规范。直接提问大模型“请将‘入库订单’翻译成英文”你可能会得到各种答案因为它没有上下文。而通过RAG我们可以构建一个专业的翻译工作流让AI像一支训练有素的本地化团队一样工作。整体思路如下构建知识库我们创建三个核心知识库。翻译规范库存放强制性的翻译规则。例如“‘货品’统一译为Item首字母大写”、“所有状态动词统一使用现在分词形式如‘盘点中’译为Counting...”、“‘库位’统一使用Bin而非Location”。历史翻译库存放已经审核通过的现有翻译键值对作为最重要的参考。例如{“入库订单”: “Inbound Order”, “出库订单”: “Outbound Order”}。行业术语库存放物流行业的通用英文术语标准用于翻译新词或验证专业性。设计控制流程当接到一个翻译请求例如翻译“待上架货品”时AI不会直接回答而是严格按照以下流程执行第一步检索首先去 翻译规范库 检索是否有关于“货品”、“待”等字的强制规则。然后去 历史翻译库 精确检索“待上架货品”是否有现成翻译。如果没有则检索类似结构如“待收货”、“待入库”的翻译是什么。最后去 行业术语库 检索“上架”的标准专业术语是什么通常是Putaway或Storing。第二步推理与生成AI会综合所有检索到的信息进行推理“历史库中‘货品’规定译为 Item‘待’字前缀历史中常用 Pending如‘待收货’是 Pending Receipt。行业库中‘上架’是 Putaway。没有强制规则冲突。”最终它生成的翻译是Pending Putaway Item。这个结果既符合内部规范又保持了历史统一性还具备了行业专业性。另一个例子翻译一个全新的词“库存水位预警”。在历史库和规范库中都找不到直接答案。AI流程会先在行业库中检索“库存水位”和“预警”的标准说法可能会找到Inventory Level和Alert。然后它会参考历史翻译中“预警”是放在前面还是后面例如“温度预警”是译作Temperature Alert。最终组合出符合公司习惯和专业性的Inventory Level Alert。通过这样的流程控制我们不再是简单地向AI提问而是命令它执行一个复杂的、多步骤的决策程序。这确保了即使负责翻译的人员不断变动AI也能作为一个永不离职、严格遵循SOP标准作业程序的专家输出稳定、可靠、高质量的翻译结果。总结总而言之RAG 的出现并非是为了替代像 DeepSeek 这样的大模型而是对其能力的一种关键增强。选择直接提问大模型还是使用RAG本质上是选择“开放探索”与“精准执行”两种不同的模式。如果任务目标不是获取灵感而是要求基于特定知识做出准确、可靠回答时RAG就从一个可选项变为了必选项。它可以让AI从“通用对话”走向“专业赋能”的关键一步最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了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全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下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】 【AI大模型】通过两个案例，看RAG如何解决大模型的“知识短板”！全程干货，建议收藏！！
前言大模型和RAG一样都是针对用户的问题给出答复那么为什么有问题不直接问deepseek还要跑一遍RAGRAG的出现从根本上解决了大模型在处理知识时的一个核心痛点如何高效、准确且低成本地利用那些未训练过的、私有的或最新的知识来回答问题。如果我们希望大模型根据某些特定的知识内容生成答案就必须将这些知识提供给模型。似乎我们可以把这些知识全部发送给模型但实际上并不可行一方面大模型本身的上下文长度有限无法一次性处理大量内容另一方面即使上下文窗口未来不断扩大每次提问都传入海量文档也会导致计算成本高昂、响应速度慢并且可能引入无关信息干扰模型判断。RAG通过“检索-增强-生成”的方式针对用户的问题系统首先在专用知识库中检索最相关的信息片段仅将这些精选出的上下文传递给大模型。这样既克服了长度限制、降低了成本也确保了模型作答的依据始终聚焦在我们提供的权威知识内。同时借助RAG的工作流设计我们还可以控制大模型的思考路径使其按照预设流程推理而非随意发挥进一步提升了回答的准确性与可靠性。接下来我们通过两个例子详细介绍下如何用RAG实现信息聚焦和流程控制信息聚焦举一个沟通问题的例子。比如我和我的室友沟通不太顺畅希望AI可以给我一些建议。我希望AI使用《非暴力沟通》这本书的知识来指导我的沟通。于是我问deepseek我的室友经常不收拾屋子让我很烦躁所以我跟他说“你总是不收拾屋子让我很烦躁”室友听了后显得很生气并且没有什么改变我应该怎么跟他沟通才能解决这个问题很明显AI虽然给出了回答但是不是我想要的因为我希望使用到《非暴力沟通》的知识当然如果在提示词中直接说明需要使用《非暴力沟通》的知识回答deepseep也可以给我们想要的答案这是因为DeepSeek在训练过程中很可能学习过这本书的相关内容所以它能理解并执行这个指令但是实际业务中可能AI的最初训练资料中没有相关知识所以你即使指定所用知识AI也是无法回答的此时我们引入了RAG来看看AI的回答我们使用coze搭建一个简单的RAG在COZE中创建知识库并上传知识内容时COZE按照一定的规则做出知识分块、向量化等操作我们不需要太复杂的工序即可搭建一个RAG这里是使用《非暴力沟通》的PDF版本上传后作为一个知识库然后在agent中调用这个知识库让我们看看引入RAG后的回答可以看到我们使用了和给到deepseek相同的提示词但是在这个回答中AI给出的第一个回答正是按照书中观察、感受、需要、请求的四个要素给出沟通建议当然如果我们给deepseek的问题中指定需要用非暴力沟通的方式作答也是可以满足需求的这是因为当我没有指定用什么知识回答时deepseek的知识范围是所有的训练内容那就势必会让知识太过繁杂导致无法按照我的预想回答。但是当我指定用非暴力沟通的知识回答时deepseek也可以在他的训练知识中提取这一块知识来回答由此可以看出当我们想要聚焦知识或者有些知识不在大模型的初始训练知识内时使用RAG是一种实现目的的途径将需要的信息整理到知识库内通过知识库内的检索让AI生成我们需要的答案流程控制仅仅让AI“知道”知识还不够我们更需要它按照我们设定的专业流程来思考和工作从而保证输出结果的高度一致性和专业性。这就是使用RAG的另一个强大能力——流程控制。我们以一个非常实际的场景为例一个自主研发的WMS仓库管理系统需要出海所有界面、菜单、提示的文本都需要翻译成英文。如果单纯靠人或直接让大模型翻译会面临很多问题不统一不同的人对同一个词可能有不同的翻译。比如“库位”有人译成Location有人译成Storage Location甚至可能是Bin。不专业某些术语在物流行业有固定叫法。比如“波次拣货”翻译成Wave Picking是专业术语而按字面翻译成Batch Order Picking就显得很不专业。风格不一对于大小写是Order还是order、动词名词形式是Confirm还是Confirmation没有统一规范。直接提问大模型“请将‘入库订单’翻译成英文”你可能会得到各种答案因为它没有上下文。而通过RAG我们可以构建一个专业的翻译工作流让AI像一支训练有素的本地化团队一样工作。整体思路如下构建知识库我们创建三个核心知识库。翻译规范库存放强制性的翻译规则。例如“‘货品’统一译为Item首字母大写”、“所有状态动词统一使用现在分词形式如‘盘点中’译为Counting...”、“‘库位’统一使用Bin而非Location”。历史翻译库存放已经审核通过的现有翻译键值对作为最重要的参考。例如{“入库订单”: “Inbound Order”, “出库订单”: “Outbound Order”}。行业术语库存放物流行业的通用英文术语标准用于翻译新词或验证专业性。设计控制流程当接到一个翻译请求例如翻译“待上架货品”时AI不会直接回答而是严格按照以下流程执行第一步检索首先去 翻译规范库 检索是否有关于“货品”、“待”等字的强制规则。然后去 历史翻译库 精确检索“待上架货品”是否有现成翻译。如果没有则检索类似结构如“待收货”、“待入库”的翻译是什么。最后去 行业术语库 检索“上架”的标准专业术语是什么通常是Putaway或Storing。第二步推理与生成AI会综合所有检索到的信息进行推理“历史库中‘货品’规定译为 Item‘待’字前缀历史中常用 Pending如‘待收货’是 Pending Receipt。行业库中‘上架’是 Putaway。没有强制规则冲突。”最终它生成的翻译是Pending Putaway Item。这个结果既符合内部规范又保持了历史统一性还具备了行业专业性。另一个例子翻译一个全新的词“库存水位预警”。在历史库和规范库中都找不到直接答案。AI流程会先在行业库中检索“库存水位”和“预警”的标准说法可能会找到Inventory Level和Alert。然后它会参考历史翻译中“预警”是放在前面还是后面例如“温度预警”是译作Temperature Alert。最终组合出符合公司习惯和专业性的Inventory Level Alert。通过这样的流程控制我们不再是简单地向AI提问而是命令它执行一个复杂的、多步骤的决策程序。这确保了即使负责翻译的人员不断变动AI也能作为一个永不离职、严格遵循SOP标准作业程序的专家输出稳定、可靠、高质量的翻译结果。总结总而言之RAG 的出现并非是为了替代像 DeepSeek 这样的大模型而是对其能力的一种关键增强。选择直接提问大模型还是使用RAG本质上是选择“开放探索”与“精准执行”两种不同的模式。如果任务目标不是获取灵感而是要求基于特定知识做出准确、可靠回答时RAG就从一个可选项变为了必选项。它可以让AI从“通用对话”走向“专业赋能”的关键一步最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了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全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下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】