什么是RAG 大模型很聪明，但也有短板👇
📌 上下文长度有限 比如 deepseek-r1 满血版的上下文上限是 128K tokens，不能无限输入文本，超过了它就处理不了 📌 知识可能过时 如果模型是基于 2024 年前的数据训练的，你问它 2025 年发生的事，它可能会一本正经地胡说八道，即产生“模型
全局理解任务怎么办
博主老师，所以DeepSeek-R1也使用了RAG吗？他在回答问题之前也会去检索网页，RAG算是一种改善的算法吗？
学长，虚心学习，帖子写的真好
RAG任务效果可以用prompt替代吗？
那知识库怎么做可以提高精准度呢？
这个是可以调的哈，列如你可以把retriever召回文档的数量调大一点。同时也可以看看是不是一开始切文档的时候切得太大了，导致向量库里存的条目很少，每条内容又特别多，这样匹配的时候就容易不准。还有种可能是你的问题本身和知识库里的内容匹配度不高，可以试试让大模型先把你的问题扩展成几个更具体、语义更清晰的问题，再用这些问题去向量库里匹配相关文档。如果你调高召回数量之后又担心超过上下文长度，那可以加个rerank做精排，或者让大模型先把召回到的内容做成总结或摘要，再作为上下文扔给大模型生成回答。 [g=touxiao]
想让它回答问题时用许多知识库文件回答我，但每次只引用几篇，想问问怎么解决 [g=wunai]
[g=juhua][g=juhua] 不好意思刚看错你的问题了。目前还没有特别成熟的方案（虽然有不少探索方向和研究，也有一些靠堆资源、牺牲速度换准确率的预处理方法），但总的来说，目前的RAG架构还是不太擅长处理这类问题。
能不能介紹幾個從0到1的RAG項目呢？
感谢宝子提议，之后会开个开源项目分享系列（博主也一直在看各种开源项目）
谢谢亲的提议～我实则一直想开些新的系列，照顾到不同类型的读者！就是目前还在上班，更新可能没那么快，我会尽量抓紧安排起来哈～
谢谢讲解！期待博主能出一些适合新手的教程
有没有案例呢
问题的向量和答案的向量进行匹配嘛
好问题！你说的这种，实则是调用了搜索引擎工具，去查实时网页，再结合网页信息让模型回答问题。听起来和 RAG 很像，都是“先查资料再回答”。但严格来说，这更偏向于是模型的工具调用能力，不是传统那种自己建知识库、做向量检索的 RAG。也可以理解为：搜索引擎已经帮你做了索引，所以你不用自己建知识库了。广义上算是 RAG 的一种更灵活实现方式吧～
RAG 是先把用户的问题变成向量，然后用这个向量去找相关的文档或资料（这些文档也都转成了向量），找到之后再把这些资料 + 问题一起发给大模型，让它来生成回答～所以匹配的是 ‘问题和资料’ 的向量，不是问题和答案直接匹配哈
谢谢武大学弟支持，AI相关问题随时交流～
召回后加入一下重排试试
实则用纯Prompt也能做，但有两个坑：一、模型没学过的知识（列如公司内部的），它就容易瞎编。二、当然你也可以手动找相关资料塞进Prompt，但太麻烦了，RAG就是把这流程（检索和生成）自动化了
这个系列是通俗易懂科普AI知识点，之后会开个系列专门讲解真实开源项目，和一些案例，谢谢提议
什么是RAG
博主老师，所以DeepSeek-R1也使用了RAG吗？他在回答问题之前也会去检索网页，RAG算是一种改善的算法吗？
学长，虚心学习，帖子写的真好
RAG任务效果可以用prompt替代吗？
那知识库怎么做可以提高精准度呢？
这个是可以调的哈，列如你可以把retriever召回文档的数量调大一点。同时也可以看看是不是一开始切文档的时候切得太大了，导致向量库里存的条目很少，每条内容又特别多，这样匹配的时候就容易不准。还有种可能是你的问题本身和知识库里的内容匹配度不高，可以试试让大模型先把你的问题扩展成几个更具体、语义更清晰的问题，再用这些问题去向量库里匹配相关文档。如果你调高召回数量之后又担心超过上下文长度，那可以加个rerank做精排，或者让大模型先把召回到的内容做成总结或摘要，再作为上下文扔给大模型生成回答。 [g=touxiao]
想让它回答问题时用许多知识库文件回答我，但每次只引用几篇，想问问怎么解决 [g=wunai]
[g=juhua][g=juhua] 不好意思刚看错你的问题了。目前还没有特别成熟的方案（虽然有不少探索方向和研究，也有一些靠堆资源、牺牲速度换准确率的预处理方法），但总的来说，目前的RAG架构还是不太擅长处理这类问题。
能不能介紹幾個從0到1的RAG項目呢？
感谢宝子提议，之后会开个开源项目分享系列（博主也一直在看各种开源项目）
谢谢亲的提议～我实则一直想开些新的系列，照顾到不同类型的读者！就是目前还在上班，更新可能没那么快，我会尽量抓紧安排起来哈～
谢谢讲解！期待博主能出一些适合新手的教程
有没有案例呢
问题的向量和答案的向量进行匹配嘛
好问题！你说的这种，实则是调用了搜索引擎工具，去查实时网页，再结合网页信息让模型回答问题。听起来和 RAG 很像，都是“先查资料再回答”。但严格来说，这更偏向于是模型的工具调用能力，不是传统那种自己建知识库、做向量检索的 RAG。也可以理解为：搜索引擎已经帮你做了索引，所以你不用自己建知识库了。广义上算是 RAG 的一种更灵活实现方式吧～
RAG 是先把用户的问题变成向量，然后用这个向量去找相关的文档或资料（这些文档也都转成了向量），找到之后再把这些资料 + 问题一起发给大模型，让它来生成回答～所以匹配的是 ‘问题和资料’ 的向量，不是问题和答案直接匹配哈
谢谢武大学弟支持，AI相关问题随时交流～
召回后加入一下重排试试
实则用纯Prompt也能做，但有两个坑：一、模型没学过的知识（列如公司内部的），它就容易瞎编。二、当然你也可以手动找相关资料塞进Prompt，但太麻烦了，RAG就是把这流程（检索和生成）自动化了
这个系列是通俗易懂科普AI知识点，之后会开个系列专门讲解真实开源项目，和一些案例，谢谢提议