用户623802的组织用户9432
Dify学习笔记 03 · RAG检索增强生成：三代范式、评估与落地（第40-45、55-56集）
输入“/”快速插入内容
Dify学习笔记 03 · RAG检索增强生成：三代范式、评估与落地（第40-45、55-56集）
Dify学习笔记 03 · RAG检索增强生成：三代范式、评估与落地（第40-45、55-56集）
用户9432用户943210月10日修改
🔎
一句话总结：RAG（Retrieval-Augmented Generation，2020 年论文提出）让大模型用上私有、最新、可追溯的知识，是企业落地性价比最高的方案。本模块从 RAGFlow 实操出发，系统讲清 Naive → Advanced → Modular 三代范式、预检索/后检索策略、四种模块化 flow、混合检索 RRF 融合，再用 RAGAs / TruLens 做量化评估，最后给出 RAG 与微调的取舍、框架与向量库选型及六大行业场景。
✅
素材覆盖说明：模块三共 8 集（第 40-45、55、56 集），本地视频与字幕齐全，全部据字幕据实整理，无补全小节。
一、可视化导览
1.1 为什么 RAG 是企业落地性价比最高的方案
大模型再强，也有三个绕不开的硬伤：它的知识停在训练截止那天，公司内部的私有文档它从没见过；它会一本正经地编造，也就是幻觉；它给出的答案你无法核对出处。要解决这些问题，有两条路。一条是把私有知识塞进模型去训练，也就是微调，但训练贵、更新慢、还没法告诉用户答案从哪来。另一条就是 RAG：不动模型本身，只是在它回答之前，先去你的资料库里把相关内容捞出来，连同问题一起递给它。这样模型回答时"手里有资料"，答案有据可查，资料更新了只要重新索引、不用重训模型。这就是为什么企业做知识问答，几乎都从 RAG 起步。
理解 RAG 的关键，是建立一个朴素但重要的认知：RAG 并不让模型变得更聪明，它只是给模型"递小抄"。模型本身的能力没变，变的是它回答时能看到的上下文。所以如果小抄递错了、递漏了，模型照样会答错。这也是为什么后面要花那么多篇幅讲预检索、后检索、评估——整个 RAG 工程，本质上都是在解决"怎么把对的资料，在对的时机，以对的方式递给模型"。
1.2 离线与在线两条链路要分清
很多人学 RAG 混乱，是因为没把"离线建库"和"在线问答"两条链路分开。离线链路是你提前做的一次性工作：把各种格式的文档解析出来、清洗干净、切成小块、用 embedding 模型把每块变成向量、存进向量库。这一步做一次，之后增量更新即可。在线链路是用户每次提问时实时发生的：把用户问题也变成向量、去库里找最相似的几块、精排、拼进提示词、让模型生成。
把这两条链路分清，你定位问题时就有了方向。如果发现"库里明明有这段资料却召不回"，问题多半出在离线切分或 embedding；如果"召回的片段是对的但答案还是错"，问题多半出在在线的拼提示词或模型本身。很多人一上来就怪模型，其实是没分清问题在哪条链路上。
💡
记忆钩子：离线是"把书拆成卡片塞进抽屉"，在线是"根据问题去抽屉抽几张相关卡片"。切卡片和抽卡片，是两件可以分别优化的事。
二、视频清单（8 集 · 约 2.2 小时）
集 | 标题 | 时长 | 核心内容 |
40 | RAG 技术原理与 RAGFlow 项目实操 | 19:40 | RAG 四步流程、RAGFlow Docker 部署与解析 |
41 | Naive RAG 与 langchain 实践 | 12:44 | 朴素版链路、Chroma、BGE-small-zh、chunk 参数 |
42 | 高级 RAG（一）层次索引、句子窗口、子查询、HyDE | 17:10 | 预检索策略全家桶 |
43 | 高级 RAG（二）提示词压缩、融合、llamaindex | 14:25 | 后检索、Rerank、LLMLingua、BM25+向量 RRF |
44 | 模块化 RAG（一）顺序、条件、分支模式 | 11:37 | RouterQueryEngine、并行分支 |
45 | 模块化 RAG（二）迭代、递归、FLARE、ToC | 17:55 | 环形 flow、IR-CoT、FLARE、Self-RAG |
55 | RAG 评估：评估指标、RAGAs、TruLens | 22:01 | 评估四件套、RAGAs 四指标、TruLens 面板 |
56 | RAG 行业落地：实践心得、落地经验、业务场景 | 15:53 | RAG vs 微调、框架/向量库选型、六大场景 |
三、RAG 解决什么 · 四步流程 · RAGFlow
3.1 五个痛点
大模型本身存在知识盲区、会幻觉、知识过时、答案不可追溯、私有数据不能直接喂等问题。RAG 通过"先检索、再生成"一并解决：私有知识可接入、回答有据可依、索引随时更新、能给出来源、数据不必出域。
3.2 四步流程
阶段 | 环节 | 做什么 |
离线 | ① 提取 | 解析 PDF/Word/表格/图片，清洗、OCR、切分 |
| ② 索引 | 分块 chunk，用 embedding 模型向量化后写入向量库 |
在线 | ③ 检索 | 问题向量化，先相似度粗召回（如 Top100），再重排序取 Top 几条 |
| ④ 生成 | 把召回内容作为上下文拼进提示词，交 LLM 生成带依据的答案 |
3.3 RAGFlow 实操要点
RAGFlow 是一个主打深度文档理解的开源 RAG 引擎，适合不想从零拼链路的团队。部署与使用要点：
•
基于 WSL2 + Docker Desktop 用 Docker 部署。
•
容器内配置模型地址时要填 host.docker.internal（不是 127.0.0.1）；本地用 Ollama 跑 qwen2 7B 4bit。