想让大语言模型不再胡说八道，检索增强生成（RAG）是一个可靠的解决方案。但很多人对 RAG 的印象可能是：需要复杂的架构、繁琐的组件配置、以及大量的调优工作。

事实上，通过一个不到 200 行的 Python 程序，我们就能完整展示 RAG 是如何工作的。在这篇文章中，你将看到：

• 如何用最简单的代码实现一个完整的 RAG 系统

• 每个核心组件（检索器、向量数据库、大语言模型）是如何协同工作的

• 最关键的是：你会明白为什么检索的准确性决定了整个系统的表现

我们将通过 LangChain 框架来实现这个示例。当你看完这篇文章，不仅能理解 RAG 的工作原理，还能知道在实际应用中应该把注意力放在哪里。

您可以在文章末尾找到本文中的完整程序。

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]👈

RAG 的工作原理

---

RAG 系统通过以下 5 个关键步骤来工作：

1. 准备文档

首先，我们需要准备知识库文档。在示例代码中，我们创建了一个包含宠物相关信息的简单文档集合：

from langchain_core.documents import Document  
  
documents = [  
    Document(  
        page_content="狗是很好的伴侣，以忠诚和友好而闻名。",  
        metadata={"source": "mammal-pets-doc"},  
    ),  
    Document(  
        page_content="猫是独立的宠物，通常喜欢自己的空间。",  
        metadata={"source": "mammal-pets-doc"},  
    ),  
    Document(  
        page_content="金鱼是初学者喜欢的宠物，只需要相对简单的照顾。",  
        metadata={"source": "fish-pets-doc"},  
    ),  
    Document(  
        page_content="鹦鹉是聪明的鸟类，能够模仿人类说话。",  
        metadata={"source": "bird-pets-doc"},  
    ),  
    Document(  
        page_content="兔子是社交动物，需要大量空间来跳跃。",  
        metadata={"source": "mammal-pets-doc"},  
    ),  
]  

每个文档都包含实际内容（page_content）和元数据（metadata）。元数据可以用来标记文档的来源、类型等信息。

2. 向量化存储

下一步是将文档转换为向量并存储到向量数据库中：

from langchain_chroma import Chroma  
from langchain_openai import AzureOpenAIEmbeddings  
  
embeddings = AzureOpenAIEmbeddings(  
    azure_endpoint=env_vars.get("AZURE_OPENAI_ENDPOINT"),  
    azure_deployment=env_vars.get("AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME"),  
    openai_api_version=env_vars.get("AZURE_OPENAI_EMBEDDING_API_VERSION"),  
    api_key=env_vars.get("AZURE_OPENAI_API_KEY"),  
)  
  
vectorstore = Chroma.from_documents(  
    documents,  
    embedding=embeddings,  
)  

这个步骤中：

• 使用 AzureOpenAIEmbeddings 将文本转换为向量

• 使用 Chroma 向量数据库存储这些向量

• 每个文档的内容都被转换为高维向量，便于后续相似性搜索

3. 创建检索器

创建一个检索器（retriever）用于后续的文档检索：

retriever = vectorstore.as_retriever(  
    search_type="similarity",  
    search_kwargs={"k": 1},  
)  

这里我们：

• 使用 similarity 搜索方式，基于向量相似度检索文档

• 设置 k=1 表示每次检索返回最相关的一个文档

4. 准备提示模板

定义用于 RAG 的标准提示词模板：

template = """  
根据提供的上下文回答这个问题。  
  
问题: {question}  
  
上下文:  
{context}  
  
回答:  
"""  
  
prompt = ChatPromptTemplate.from_template(template)  

提示词模板：

• 清晰定义了问题、上下文和答案的结构

• 指导模型使用检索到的上下文来生成回答

5. 实现 RAG 链

最后，将所有组件组合成完整的 RAG 链：

def rag_chain(question: str) -> str:  
    # 检索相关文档  
    retrieved_docs = retriever.invoke(question)  
      
    # 将检索到的文档格式化为上下文  
    context = "\n".join(doc.page_content for doc in retrieved_docs)  
      
    # 使用问题和上下文格式化提示  
    formatted_prompt = prompt.format(question=question, context=context)  
      
    # 获取模型的响应  
    response = model.invoke(formatted_prompt)  
          
    return response.content  

在这个实现中，检索器（retriever）和 embeddings 引擎扮演着核心角色：

1. 检索器的关键作用：

• 检索器负责理解用户问题并找到相关文档

• 它通过 embeddings 引擎将问题转换为向量

• 在向量空间中查找最相似的文档

• 将找到的相关文档作为上下文提供给大模型

3. 工作流程：

• 用户提出问题（如"最好的宠物是什么？"）

• 检索器利用 embeddings 进行向量相似度搜索

• 找到最相关的文档（比如关于不同宠物的描述）

• 大模型根据这些相关文档和原始问题生成最终答案

5. 答案生成过程：

• 检索器找到相关文档

• 文档内容被格式化为上下文

• 大模型根据上下文和问题生成答案

• 最终答案会基于检索到的具体知识，而不是模型的泛化能力

这个过程充分展示了检索增强生成（RAG）的核心理念：检索器负责找到相关信息，而大模型负责理解和生成答案。这种分工使得系统能够提供更准确、更有依据的回答。需要特别强调的是，检索器的准确性直接决定了最终答案的质量 —— 如果检索器无法提供正确的上下文信息，即使是最强大的语言模型也无法生成准确的答案。这就像是在考试中，如果提供给学生的参考资料是错误的或不相关的，那么无论学生多么优秀，也无法得出正确的答案。因此，在构建 RAG 系统时，确保检索器的准确性和可靠性是至关重要的。

RAG 的局限性

---

虽然 RAG 是一个强大的架构，但也存在一些局限：

1. 向量相似度的局限：基于向量相似度的检索可能无法捕捉到语义层面的细微差别，有时会检索到表面相似但实际不相关的内容。

2. 上下文窗口限制：由于模型的输入长度限制，我们往往只能提供有限的上下文内容，可能会遗漏重要信息。

3. 检索质量依赖于文档质量：如果知识库文档质量不高或不完整，即使检索系统工作正常，也无法提供好的答案。

4. 计算成本：向量化和存储大量文档需要较大的计算和存储资源，特别是在大规模应用中。

总结

–

通过这个简单的程序，我们不仅看到了 RAG 系统的完整实现，更重要的是理解了每个组件的作用和importance。特别是检索器的准确性，它直接决定了整个系统的表现。在实际应用中，除了选择合适的大语言模型，我们更应该关注如何提升检索的准确性，包括：

1. 优化文档的切分策略

2. 选择合适的 embedding 模型

3. 调整向量检索的参数

4. 改进相似度计算方法

只有确保检索器能够准确找到相关文档，RAG 系统才能充分发挥其潜力，帮助大语言模型生成更准确的答案。

附：完整程序代码

`import os   from dotenv import load_dotenv, dotenv_values   from langchain_openai import AzureChatOpenAI   from langchain_core.messages import HumanMessage   from langchain_core.messages import AIMessage   from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder   from langchain_openai import AzureOpenAIEmbeddings   from langchain.schema import StrOutputParser            # Get the directory of the current script   current_dir = os.path.dirname(os.path.abspath(__file__))      # Construct the path to the .env file in the same directory as rag.py   env_path = os.path.join(current_dir, '.env')      # Load environment variables from .env file   load_dotenv(env_path)      # Load .env file contents as a dictionary   env_vars = dotenv_values(env_path)      # Load LangSmith configuration from environment variables   LANGCHAIN_TRACING_V2 = os.getenv("LANGCHAIN_TRACING_V2", "false").lower() == "true"   LANGCHAIN_API_KEY = os.getenv("LANGCHAIN_API_KEY")      from langchain_core.documents import Document      documents = [       Document(           page_content="狗是很好的伴侣，以忠诚和友好而闻名。",           metadata={"source": "mammal-pets-doc"},       ),       Document(           page_content="猫是独立的宠物，通常喜欢自己的空间。",           metadata={"source": "mammal-pets-doc"},       ),       Document(           page_content="金鱼是初学者喜欢的宠物，只需要相对简单的照顾。",           metadata={"source": "fish-pets-doc"},       ),       Document(           page_content="鹦鹉是聪明的鸟类，能够模仿人类说话。",           metadata={"source": "bird-pets-doc"},       ),       Document(           page_content="兔子是社交动物，需要大量空间来跳跃。",           metadata={"source": "mammal-pets-doc"},       ),   ]      from langchain_chroma import Chroma      # 设置 Azure OpenAI Embeddings   # 注意：嵌入模型的质量对检索结果有重大影响   # 确保使用适合中文的高质量嵌入模型   embeddings = AzureOpenAIEmbeddings(       azure_endpoint=env_vars.get("AZURE_OPENAI_ENDPOINT"),       azure_deployment=env_vars.get("AZURE_OPENAI_EMBEDDING_DEPLOYMENT_NAME"),       openai_api_version=env_vars.get("AZURE_OPENAI_EMBEDDING_API_VERSION"),       api_key=env_vars.get("AZURE_OPENAI_API_KEY"),   )      vectorstore = Chroma.from_documents(       documents,       embedding=embeddings,   )      from langchain_core.documents import Document      retriever = vectorstore.as_retriever(       search_type="similarity",       search_kwargs={"k": 1},   )      from langchain_core.prompts import ChatPromptTemplate   from langchain_core.runnables import RunnablePassthrough      model = AzureChatOpenAI(       model_name="gpt-4o",       azure_endpoint=env_vars.get("AZURE_OPENAI_ENDPOINT"),       azure_deployment=env_vars.get("AZURE_OPENAI_DEPLOYMENT_NAME"),       openai_api_version=env_vars.get("AZURE_OPENAI_API_VERSION"),       api_key=env_vars.get("AZURE_OPENAI_API_KEY"),   )      template = """   根据提供的上下文回答这个问题。      问题: {question}      上下文:   {context}      回答:   """      prompt = ChatPromptTemplate.from_template(template)      def rag_chain(question: str) -> str:       # 检索相关文档       retrieved_docs = retriever.invoke(question)              # 将检索到的文档格式化为单个上下文字符串       context = "\n".join(doc.page_content for doc in retrieved_docs)              # 使用问题和上下文格式化提示       formatted_prompt = prompt.format(question=question, context=context)              # 获取模型的响应       response = model.invoke(formatted_prompt)                  return response.content      # 使用示例   response = rag_chain("最好的宠物是什么？")   print(response)   `

  

零基础如何学习AI大模型

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型典型应用场景

①AI+教育：智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据，提供量身定制的学习方案，提高学习效果。
②AI+医疗：智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像，辅助医生进行早期诊断，同时根据患者数据制定个性化治疗方案。
③AI+金融：智能投顾和风险管理系统帮助投资者做出更明智的决策，并实时监控金融市场，识别潜在风险。
④AI+制造：智能制造和自动化工厂提高了生产效率和质量。通过AI技术，工厂可以实现设备预测性维护，减少停机时间。
…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。

学习资料领取

如果你对大模型感兴趣，可以看看我整合并且整理成了一份AI大模型资料包，需要的小伙伴文末免费领取哦，无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

部分资料展示

一、 AI大模型学习路线图

整个学习分为7个阶段

二、AI大模型实战案例

涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，皆可用。

三、视频和书籍PDF合集

从入门到进阶这里都有，跟着老师学习事半功倍。

四、LLM面试题

五、AI产品经理面试题

😝朋友们如果有需要的话，可以V扫描下方二维码联系领取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]👈