程序员必看！提示工程、RAG与微调如何选择？这篇收藏级指南帮你搞定-洪萨配资

本文全面对比了提示工程、RAG与微调三种大模型应用技术，详细分析了各自适用场景、RAG系统的构建流程、文档分块策略、Embedding模型选择、系统调试与优化方法，以及GraphRAG、多模态RAG等进阶技术。文章还介绍了RAG系统的评估框架、安全性保障及知识库维护策略，为开发者提供了一套完整的RAG应用指南，帮助在不同业务场景下做出技术选择并优化系统性能。

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(window=512, step=100) ；
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_size=512, overlap=50-100。

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。

Step5，Query 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。

Step8，Prompt 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。

Step9，LLM 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, k=10): """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(f"Query: {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(f"Rank{rank+1} | 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

Step2，Query 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Cohere；
Rerank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 RL

Agent 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 ragas

GitHub: 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；
PDF：OCR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。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

✅ 从零到一的 AI 学习路径图
✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
✅ 百度/阿里专家闭门录播课
✅ 大模型当下最新行业报告
✅ 真实大厂面试真题
✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025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 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

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。