RAG 相关知识点¶

本主题位于应用架构层，从知识外置的基本取舍出发，覆盖摄取索引、在线检索、高级与多模态方案、生成评估，以及动态更新和安全治理。

需要统计完整订单或计算汇总金额时，检索几个相关片段并不够。结构化查询模块用 Text-to-SQL 案例说明这条互补路线，不把数据库计算混同于向量检索。

子模块¶

模块关系¶

flowchart TB
    F[基础与选型] --> I[摄取与索引]
    F --> R[在线检索]
    I --> R
    R --> A[高级与多模态]
    R --> G[生成与评估]
    A --> G
    I --> O[运维与安全]
    G --> O
    F --> S[结构化查询]
    S --> G
    S --> O

阅读建议¶

快速建立全貌：基础与选型 → 在线检索 → 生成与评估；
知识库工程：摄取与索引 → 在线检索 → 运维与安全；
效果优化：在线检索 → 生成与评估；
复杂语料：摄取与索引 → 高级与多模态 → 生成与评估。
业务统计问答：基础与选型 → 结构化查询 → 生成与评估。

常见问题¶

RAG 能完全消除大模型幻觉吗？¶

不能。RAG 可以给模型提供可核验的外部证据，但检索可能漏召回、召回错误内容，模型也可能忽略或误读证据。生产系统仍需要引用、拒答、输出校验和端到端评测。

RAG、微调和长上下文应该怎么选？¶

需要从大量或持续更新的材料中筛选证据时考虑 RAG；需要稳定改变模型行为时考虑微调；资料规模可控且任务依赖整体上下文时可把长上下文作为基线。长上下文也能携带引用并执行输入前授权，最终应比较证据质量、更新和缓存成本，而不是三选一。

Chunk 越小，检索效果越好吗？¶

不一定。小 Chunk 可提供更细的定位，但可能丢失上下文；大 Chunk 可保留更多语境，却也可能引入噪声并增加 Token 成本。应根据文档结构、问题粒度和重排能力，在相同上下文预算下评测块大小与重叠率。

返回文档主题索引。