一、什么是在线检索?
在RAG(检索增强生成)系统中,在线检索流程是指当用户提出问题时,系统实时查找相关知识并生成答案的完整过程。就像你去图书馆问管理员问题,管理员立即帮你找到相关书籍并总结答案给你。
二、完整流程拆解
1. 用户提问
这是一切的起点。用户输入自然语言问题:
示例:“公司的年假政策是什么?”
2. 问题理解与改写
系统首先要"理解"用户真正想问什么:
原始问题:“去年的销售冠军是谁?”
改写优化:“2023年销售业绩排名第一的员工姓名”
为什么要改写?
- 补充时间信息(去年→2023年)
- 明确查询意图(冠军→排名第一)
- 转换为更适合检索的表达
3. 查询向量化
把问题转换成计算机能理解的"数字指纹":
问题文本 → Embedding模型 → 向量[0.23, -0.45, 0.67...]这个768维或1536维的向量就像问题的"DNA",包含了语义信息。
4. 向量检索
在知识库中寻找最相似的内容片段:
检索策略:
密集检索(语义搜索)
- 计算问题向量与知识库所有向量的相似度
- 使用余弦相似度或内积
- 找出Top-K个最相关文档
稀疏检索(关键词搜索)
- 传统的BM25算法
- 基于词频和文档频率
- 适合精确匹配场景
混合检索
- 结合密集+稀疏检索
- 用RRF(倒数排名融合)合并结果
- 兼顾语义理解和关键词匹配
5. 重排序(Rerank)
对初步检索结果进行精细排序:
粗排结果(100条) → Rerank模型 → 精排结果(Top 5)为什么需要重排序?
- 向量检索可能有误差
- 重排模型能更精确判断相关性
- 把最相关的内容放在前面
6. 上下文构建
将检索到的内容组织成提示词:
系统提示词: 你是一个专业的客服助手 检索到的知识: [文档1] 年假政策: 工作满1年可享受5天年假... [文档2] 假期申请流程: 需提前3天在系统提交... 用户问题: 公司的年假政策是什么?关键考虑:
- 控制总长度(避免超过模型上下文窗口)
- 保留重要信息(截断策略)
- 标注来源(便于溯源)
7. 大模型生成答案
把构建好的提示词发送给LLM:
输入:系统提示 + 检索知识 + 用户问题
输出:基于知识的自然语言答案
8. 答案后处理
对生成的答案进行优化:
内容安全检查
- 过滤敏感信息
- 检测有害内容
格式优化
- 添加引用标注
- 优化排版结构
置信度评估
- 判断答案可靠性
- 必要时提示"信息不足"
9. 结果返回
最终呈现给用户:
{ "answer": "根据公司政策,工作满1年可享受5天年假...", "sources": [ {"title": "员工手册", "page": 15}, {"title": "HR政策文档", "section": "3.2"} ], "confidence": 0.92 }三、关键技术点
查询优化技巧
查询扩展:添加同义词和相关词
多查询策略:从不同角度生成多个查询
查询分解:将复杂问题拆分成多个子问题
检索参数调优
Top-K设置:通常选5-20个文档
相似度阈值:过滤低相关度结果
多样性控制:避免检索结果过于重复
性能优化
向量索引:使用HNSW、IVF等高效索引
缓存机制:缓存常见问题的检索结果
异步处理:检索和生成可并行进行
四、实际应用示例
企业知识问答
场景:员工咨询HR政策
流程:
- 员工问:“产假有多少天?”
- 改写:“女性员工产假天数政策规定”
- 检索员工手册相关章节
- 生成答案并标注政策来源
客户服务
场景:用户咨询产品使用
流程:
- 用户问:“如何退货?”
- 检索退货政策+操作指南
- 生成分步骤答案
- 附带相关链接和联系方式
技术文档助手
场景:开发者查询API用法
流程:
- 开发者问:“如何调用支付接口?”
- 检索API文档+示例代码
- 生成包含代码片段的答案
- 标注版本和注意事项
五、常见问题与解决方案
检索不准确怎么办?
问题:返回的文档与问题无关
解决方案:
- 优化Embedding模型
- 增加查询改写步骤
- 使用混合检索策略
- 调整相似度阈值
答案不完整怎么办?
问题:只回答了部分内容
解决方案:
- 增加检索文档数量
- 使用查询分解
- 扩大检索范围
- 调整上下文窗口大小
响应速度慢怎么办?
问题:用户等待时间过长
解决方案:
- 优化向量索引结构
- 使用缓存机制
- 减少Rerank文档数量
- 采用流式输出
六、总结
RAG系统的在线检索流程可以概括为:
接收问题 → 理解优化 → 向量化 → 检索匹配 → 重排精选 → 构建上下文 → 生成答案 → 后处理返回
每个环节都很重要,需要根据实际场景进行针对性优化。核心目标是:快速找到准确的信息,生成可靠的答案。
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。
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。
