企业官网建设流程全解析

淘宝客建网站要钱的吗,西安网站的设计说明,湖南百度seo,我的公众号文章全面介绍了RAG#xff08;检索增强生成#xff09;技术#xff0c;对比了提示工程、RAG与微调的适用场景#xff0c;解析了RAG系统的完整流程和关键步骤#xff0c;包括文档分块、向量化、存储、检索和生成等环节。提供了Embedding模型选择、系统调试、混合检索、维护…文章全面介绍了RAG检索增强生成技术对比了提示工程、RAG与微调的适用场景解析了RAG系统的完整流程和关键步骤包括文档分块、向量化、存储、检索和生成等环节。提供了Embedding模型选择、系统调试、混合检索、维护评估等实用指南并探讨了GraphRAG等高级应用。RAG特别适合知识频繁更新、需引用来源、数据量有限或预算受限的场景可与传统微调结合使用构建更强大的大模型应用。1、提示工程VS RAG VS 微调什么时候使用2、什么场景下应该选择RAG 而不是Fine-tuning?知识需要频繁更新如产品文档、FAQ用RAG 只需更新向量库需要引用来源如客服系统需要告诉用户答案来自哪个文档数据量有限Fine-tuning 需要大量高质量数据RAG 门槛更低需要实时信息新闻、股票等实时数据无法通过训练固化到模型预算有限RAG 的实现成本远低于微调。三种模式不是互斥的实际项目中常常组合使用。 比如RAG Fine-tuning (微调模型让它可以更好地利用检索结果) 或者RAG Prompt Engineering (优化检索后的提示词模板)。3、文档分块策略有哪些文档分块(Chunking) 是RAG 系统的基础环节分块质量直接影响检索效果。4、项目中用什么分块策略为什么选它如果项目知识库是产品FQA在项目中使用滑动窗口 句子边界的混合策略:首先按句子边界切分保证每个块语义完整然后使用滑动窗口设置20%重叠(window512, step100) 重叠确保跨块的信息不会丢失。选择原因:知识库是产品FAQ段落之间有上下文依赖用户问题可能涉及多个连续段落的信息20%重叠在存储开销和检索质量间取得平衡分块大小经验值:一般推荐256-1024 tokens小块: 检索精度高但可能丢失上下文大块: 上下文完整但噪声多检索精度下降常见配置: chunk_size512, overlap50-100。5、RAG系统的流程RAG的步骤Indexing 如何更好地把知识存起来。Retrieval 如何在大量的知识中找到一小部分有用的给到模型参考。Generation 如何结合用户的提问和检索到的知识让模型生成有用的答案。这三个步骤虽然看似简单但在RAG应用从构建到落地实施的整个过程中涉及较多复杂的工作内容。6、RAG系统详细的步骤都有哪些关键步骤Step1文档解析将PDF、Word、HTML等格式转换为纯文本。工具: PyPDF2, docx, BeautifulSoup。注意处理表格、图片等特 殊内容。Step2文档分块(Chunking)将长文档切分为适合检索的小块。需要平衡块大小、上下文完整性、检索精度。Step3向量化(Embedding)使用Embedding模型将文本块转换为向量。常用模型: text-embedding-v4等。Step4向量存储将向量存入向量数据库。FAISS (本地)、Milvus (分布式)、 Pinecone (云服务)。同时存储元数据用于过滤和展示。Step5Query 改写 (可选)处理模糊问题、补充上下文。使用LLM改写或扩展用户问题提高检索召回率。Step6向量检索计算Query向量与文档块向量的相似度返回Top-K结果。距离度量: 余弦相似度、L2距离、内积。Step7重排序(Rerank)使用Cross-Encoder对Top-K结果精排选出最相关的Top N。显著提升最终效果。Step8Prompt 构建将检索到的文档块拼接到Prompt中作为LLM的上下文。注意控制总长度避免超过模型上下文窗口。Step9LLM 生成LLM基于Prompt生成最终答案。可以要求模型引用来源提高可信度。7、Embedding模型有哪些选择8、Embedding模型选择都有哪些考虑因素语言支持中文场景BGE、text-embedding-v4英文场景OpenAI系列多语言bge-m3部署方式API调用OpenAI、通义私有化部署BGE、M3E混合都支持性能指标延迟本地部署 API调用吞吐取决于硬件/并发精度需要在自己数据上测试成本考量API按量付费初期低私有部署需GPU长期划算维度影响存储成本9、如果RAG 效果很差可以从哪几个方面去调试会按照RAG 的流程逐步排查问题Step1检索阶段调试Step2生成阶段调试Step3调试工具与方法# 调试检索效果的方法 def debug_retrieval(query, index, metadata, k10): 打印检索详情帮助调试 query_vec get_embedding(query) distances, indices index.search( np.array([query_vec]).astype(float32), k ) print(fQuery: {query}) print(- * 80) for rank, (idx, dist) in enumerate(zip(indices[0], distances[0])): if idx -1: continue doc metadata[idx] similarity 1 / (1 dist) # L2距离转相似度 print(fRank{rank1} | 相似度: {similarity:.4f} | 距离: {dist:.4f}) print(f来源: {doc.get(source, N/A)}) print(f内容: {doc[text][:100]}...) print(- * 40) return indices, distances先用debug_retrieval检查检索结果是否正确如果检索结果好但生成差优化Prompt如果检索结果差从分块/Embedding/Query改写入手记录Bad Case建立评估数据集持续改进。10、当用户的问题很模糊或者依赖上一轮对话时RAG 怎么优化Step1问题类型分析Step2Query 改写技术Step3多轮对话RAG 架构实践建议对话历史不宜过长一般保留最近3-5轮可以用LLM判断是否需要改写避免每次都改写改写模型可以用较小的模型降低延迟记录改写前后的Query便于调试。11、只用向量检索吗它有什么缺点什么是混合检索向量检索的缺点对精确关键词匹配不敏感(如产品型号、人名) 可能漏掉字面完全匹配的内容Embedding模型对领域专有词理解可能不准。混合检索结合向量检索和关键词检索(BM25)取长补短。12、检索召回了20 条文档怎么确保喂给LLM 的是最好的3条使用Rerank (重排序) 技术对初步召回的结果进行精排。Rerank流程如下Bi-Encoder (向量检索) Query和Document分别编码计算向量相似度。速度快适合大规模召回Query和Doc独立编码交互信息少精度相对较低。Cross-Encoder (Rerank) Query和Document拼接后一起编码直接输出相关性分数。精度高能捕捉细粒度交互速度慢只能处理少量候选适合对Top-K精排。Rerank 实践建议:召回数量(recall_k) 一般设置为最终需要数量的5-10倍Rerank模型选择中文推荐bge-reranker多语言用CohereRerank会增加延迟需要在效果和速度间权衡可以设置分数阈值过滤低相关性结果。13、系统上线后怎么维护和迭代知识库知识库维护是一个持续的过程包括以下几个方面:14、维护知识库能否通过Agent RLAgent RL的核心思路让Agent从环境反馈中学习改进策略。 关键是定义好状态、动作、奖励。对于企业场景推荐方案A 选择性微调的组合。维护最佳实践定期审核每周/月审核Bad Case识别系统性问题增量更新避免全量重建使用增量方式更新索引版本控制保留历史版本索引支持快速回滚文档生命周期设置过期时间自动标记/清理过期内容监控告警检索空结果率、用户负反馈率等指标超阈值时告警。15、如何评估一个RAG 系统的好坏RAG系统的评估需要从检索质量和生成质量两个维度进行:16、什么是RAGAS?RAGAS (Retrieval Augmented Generation Assessment) 是一个专门用于评估 RAG 系统的开源框架由Exploding Gradients 团队开发。核心特点:无需人工标注: 使用LLM 自动评估大幅降低评估成本端到端评估: 同时评估检索质量和生成质量指标全面: 提供Faithfulness、Answer Relevancy、Context Precision 等核心指标易于集成: 与LangChain、LlamaIndex 等主流框架无缝对接。安装: pip install ragasGitHub: https://github.com/explodinggradients/ragas生成质量指标(RAGAS框架)Faithfulness (忠实度)答案是否基于检索到的内容而非幻觉。评估方法: 用LLM判断答案中的每个声明是否能在上下文中找到支撑。Answer Relevance (答案相关性)答案是否回答了用户的问题。评估方法: 用LLM根据答案反向生成问题与原问题比较相似度。Context Relevance (上下文相关性)检索到的内容是否与问题相关。评估方法: 计算上下文中与问题相关的句子比例。Context Recall (上下文召回)检索是否召回了回答问题所需的所有信息。评估方法: 对比标准答案检查所需信息是否被检索到。评估建议:构建包含50-100个样本的评估集覆盖各类问题定期运行评估监控系统质量变化重点关注Faithfulness这是RAG的核心价值结合定量指标和人工抽检。17、什么是GraphRAG与传统RAG的区别GraphRAG 是微软提出的增强型RAG架构通过构建知识图谱来增强检索和推理能力。GraphRAG 使用建议:构建成本高适合高价值、复杂的知识库对于简单FAQ传统RAG已足够可以与传统RAG结合: 简单问题用传统RAG复杂问题用GraphRAG。18、GraphRAG 中的核心概念都是什么Entity (实体)从文档中抽取的关键对象。例: 人名、地名、产品名、概念Relationship (关系)实体之间的联系。例: “属于”、“制造”、“位于”Community (社区)图中紧密相连的实体群组通过社区检测算法发现Community Summary每个社区的LLM生成摘要用于回答全局性问题。19、GraphRAG 中的两种查询模式都是什么Local Search (局部搜索)适合“XXX公司的CEO是谁” 这类精确问题。流程Query - 找到相关实体- 沿关系扩展- 收集上下文- 生成答案。Global Search (全局搜索)适合“这篇文档的主要观点是什么” 这类总结性问题。流程Query - 遍历社区摘要- Map-Reduce聚合- 生成综合答案。20、RAG 和Fine-tuning 怎么选选RAG知识更新频繁、需要引用来源、数据量小、预算有限。选Fine-tuning需要改变模型风格/格式、领域术语复杂、追求推理速度。组合使用先微调让模型更好地遵循检索结果再用RAG注入知识。21、如何处理知识库中的矛盾信息为文档添加时间戳元数据优先使用最新的为文档添加权威度标签优先使用官方来源检索时同时返回多个来源让LLM综合判断在Prompt中要求LLM指出信息冲突。22、RAG 系统的延迟优化有哪些方法向量检索使用ANN索引(HNSW, IVF)降低精确度换速度Embedding使用本地小模型或异步预计算Rerank减少候选数量或使用蒸馏小模型LLM使用流式输出选择更快的模型缓存相似Query复用检索结果。23、如何处理超长文档分层索引先检索摘要再检索详细段落滑动窗口保留上下文的分块策略长上下文模型使用支持128K的模型(如Qwen, Claude)迭代检索先检索一部分根据LLM判断是否需要更多24、如何防止LLM幻觉Prompt 明确指令“仅基于提供的信息回答不确定时说不知道”要求引用让LLM标注答案来源于哪个文档降低temperature减少随机性答案验证用另一个LLM检查答案是否有上下文支撑Rerank 精选确保上下文高度相关25、多模态RAG 怎么做图片使用多模态Embedding模型(如CLIP, 通义VL) 将图片向量化表格转换为Markdown或JSON保持结构信息PDFOCR提取文字 图表单独处理视频抽帧 语音转文字分别建索引统一使用多模态Embedding实现跨模态检索。26、如何保证RAG 系统的安全性Prompt 注入防护过滤用户输入中的指令权限控制根据用户角色过滤可检索的文档敏感信息处理脱敏后入库或标记敏感级别输出过滤检查生成内容是否包含敏感信息审计日志记录所有查询和检索内容。如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括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免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】