本文介绍了大模型应用开发的三种模式重点讲解了RAG检索增强生成技术的原理、流程及优势包括数据预处理、检索阶段和生成阶段。同时文章还探讨了NativeRAG的步骤以及不同类型的Embedding模型选择如通用文本嵌入模型、中文嵌入模型和指令驱动模型。此外还介绍了Query改写和Query联网搜索的重要性及方法旨在帮助小白或程序员更好地理解和应用大模型技术。一、大模型应用开发的三种模式RAGRetrieval-Augmented Generation检索增强生成是一种结合信息检索Retrieval和文本生成Generation的技术RAG技术通过实时检索相关文档或信息并将其作为上下文输入到生成模型中从而提高生成结果的时效性和准确性。RAG的优势解决知识时效性问题大模型的训练数据通常是静态的无法涵盖最新信息而RAG可以检索外部知识库实时更新信息。减少模型幻觉通过引入外部知识RAG能够减少模型生成虚假或不准确内容的可能性。提升专业领域回答质量RAG能够结合垂直领域的专业知识库生成更具专业深度的回答。二、RAG的核心原理与流程Step1数据预处理知识库构建收集并整理文档、网页、数据库等多源数据构建外部知识库。文档分块将文档切分为适当大小的片段chunks以便后续检索。分块策略需要在语义完整性与检索效率之间取得平衡。向量化处理使用嵌入模型如BGE、M3E、Chinese-Alpaca-2等将文本块转换为向量并存储在向量数据库中。Step2检索阶段查询处理将用户输入的问题转换为向量并在向量数据库中进行相似度检索找到最相关的文本片段。重排序对检索结果进行相关性排序选择最相关的片段作为生成阶段的输入Step3生成阶段上下文组装将检索到的文本片段与用户问题结合形成增强的上下文输入。生成回答大语言模型基于增强的上下文生成最终回答。三、NativeRAGRAG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。四、Embedding模型选择常见的Embedding模型1、通用文本嵌入模型BGE-M3智源研究院特点支持100语言输入长度达8192 tokens融合密集、稀疏、多向量混合检索适合跨语言长文档检索。适用场景跨语言长文档检索、高精度RAG应用。文件大小2.3Gtext-embedding-3-largeOpenAI特点向量维度3072长文本语义捕捉能力强英文表现优秀。适用场景英文内容优先的全球化应用。Jina-embeddings-v2-smallJina AI特点参数量仅35M支持实时推理RT50ms适合轻量化部署。适用场景轻量级文本处理、实时推理任务。2、中文嵌入模型xiaobu-embedding-v2特点针对中文语义优化语义理解能力强。适用场景中文文本分类、语义检索。M3E-Base特点针对中文优化的轻量模型适合本地私有化部署。适用场景中文法律、医疗领域检索任务。文件大小0.4G m3e-basestella-mrl-large-zh-v3.5-1792特点处理大规模中文数据能力强捕捉细微语义关系。适用场景中文文本高级语义分析、自然语言处理任务。3、指令驱动与复杂任务模型gte-Qwen2-7B-instruct阿里巴巴特点基于Qwen大模型微调支持代码与文本跨模态检索。适用场景复杂指令驱动任务、智能问答系统。gte-Qwen2-7B-instruct 是基于 Qwen2的指令优化型嵌入模型指令优化经过大量指令-响应对的训练特别擅长理解和生成高质量的文本。性能表现在文本生成、问答系统、文本分类、情感分析、命名实体识别和语义匹配等任务中表现优异。适合场景适合复杂问答系统处理复杂的多步推理问题能够生成准确且自然的答案。优势指令理解和执行能力强适合复杂的指令驱动任务。多语言支持能够处理多种语言的文本。在文本生成和语义理解任务中表现优异。局限计算资源需求较高适合资源充足的环境。E5-mistral-7BMicrosoft特点基于Mistral架构Zero-shot任务表现优异。适用场景动态调整语义密度的复杂系统。4、企业级与复杂系统BGE-M3智源研究院特点适合企业级部署支持混合检索。适用场景企业级语义检索、复杂RAG应用。E5-mistral-7BMicrosoft特点适合企业级部署支持指令微调。适用场景需要动态调整语义密度的复杂系统。五、Query改写RAG 的核心在于“检索-生成”。如果第一步“检索”就走偏了那么后续的“生成”质量也会降低。用户提出的问题往往是口语化的、承接上下文的、模糊的甚至是包含了情绪的。而知识库里的文本切片/Chunks通常是陈述性的、客观的。因此需要一个翻译官的角色将用户的“口语化查询”转换成“书面化、精确的检索语句”如何改写通过精心设计的 Prompt 来引导 LLM完成这项任务。上下文依赖型描述例子你是一个智能的查询优化助手。请分析用户的当前问题以及前序对话历史判断当前问题是否依赖于上下文。如果依赖请将当前问题改写成一个独立的、包含所有必要上下文信息的完整问题。如果不依赖直接返回原问题。对比型描述例子你是一个查询分析专家。请分析用户的输入和相关的对话上下文识别出问题中需要进行比较的多个对象。然后将原始问题改写成一个更明确、更适合在知识库中检索的对比性查询。模糊指代型描述例子你是一个消除语言歧义的专家。请分析用户的当前问题和对话历史找出问题中 “都”、“它”、“这个” 等模糊指代词具体指向的对象。然后将这些指代词替换为明确的对象名称生成一个清晰、无歧义的新问题。多意图型描述例子你是一个任务分解机器人。请将用户的复杂问题分解成多个独立的、可以单独回答的简单问题。以JSON数组格式输出。反问型描述例子你是一个沟通理解大师。请分析用户的反问或带有情绪的陈述识别其背后真实的意图和问题。然后将这个反问改写成一个中立、客观、可以直接用于知识库检索的问题。意图识别描述例子你是一个智能的查询分析专家。请分析用户的查询识别其属于以下哪种类型上下文依赖型 - 包含还有、其他等需要上下文理解的词汇对比型 - 包含哪个、“比较”、“更”、“哪个更好”、哪个更等比较词汇模糊指代型 - 包含它、“他们”、“都”、这个等指代词多意图型 - 包含多个独立问题用、“或”分隔反问型 - 包含不会、难道等反问语气说明如果同时存在多意图型、模糊指代型优先级为多意图型模糊指代型请返回JSON格式{query_type:查询类型,}六、Query联网搜索以迪士尼RAG助手为例用户Query需要联网的情况核心功能1识别查询是否需要联网搜索描述你是一个智能的查询分析专家。请分析用户的查询判断是否需要联网搜索来获取最新、最准确的信息。需要联网搜索的情况包括时效性信息 - 包含最新、“今天”、“现在”、“实时”、当前等时间相关词汇价格信息 - 包含多少钱、“价格”、“费用”、票价等价格相关词汇营业信息 - 包含营业时间、“开放时间”、“闭园时间”、是否开放等营业状态活动信息 - 包含活动、“表演”、“演出”、“节日”、庆典等动态信息天气信息 - 包含天气、“下雨”、温度等天气相关交通信息 - 包含怎么去、“交通”、“地铁”、公交等交通方式预订信息 - 包含预订、“预约”、“购票”、订票等预订相关实时状态 - 包含排队、“拥挤”、人流量等实时状态核心功能2为联网搜索改写查询描述你是一个专业的搜索查询优化专家。请将用户的查询改写为更适合搜索引擎检索的形式。改写技巧添加具体地点 - 如上海迪士尼乐园、“香港迪士尼乐园”添加时间范围 - 如2024年、“今天”、“本周”使用关键词组合 - 将长句拆分为关键词添加搜索意图 - 明确搜索目的去除口语化表达 - 转换为标准搜索词添加相关词汇 - 增加同义词或相关词核心功能3生成搜索策略描述你是一个搜索策略专家。请为用户的查询制定详细的搜索策略。当前日期{current_date}搜索策略包括主要搜索词 - 核心关键词扩展搜索词 - 相关词汇和同义词搜索网站 - 推荐的搜索平台时间范围 - 具体的搜索时间范围如果后续可以使用 Tavily MCP进行具体的联网搜索可以引导LLM生成具体的参数。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】