05-RAG知识库与向量检索

基于pgvector的RAG知识库：从文档上传到智能问答

一、前言

1.1 RAG架构概述

检索增强生成（Retrieval-Augmented Generation，RAG）是近年来大语言模型应用中最具变革性的技术之一。传统的LLM应用完全依赖模型的参数化知识，存在知识更新滞后、幻觉问题严重、领域知识匮乏等缺陷。RAG通过将外部知识库与生成模型相结合，实现了知识的动态注入和精准检索。

RAG的核心思想可以概括为：检索（Retrieve）- 增强（Augment）- 生成（Generate）。当用户提出问题时，系统首先从知识库中检索相关的文档片段，然后将这些片段作为上下文注入到提示词中，最后由大语言模型基于这些上下文生成回答。

┌─────────────────────────────────────────────────────────────────┐ │ RAG架构流程图 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 用户