【RAG】RAG检索增强生成（上）——文档解析与向量数据库实战

前置知识：第24篇（Prompt 工程）/ 基本的 NLP 概念

引言：大模型的"知识过时"和"幻觉"

大模型有两个天生的缺陷：

1. 知识过时：训练数据截止日期之后的知识，模型不知道
2. 幻觉：模型可能编造它不确定的信息

RAG（Retrieval-Augmented Generation）的解决方案很简单：不让模型凭空"记住"所有知识，而是需要回答问题时先检索相关知识，再根据检索内容生成答案。

传统 LLM: 用户问题 → 模型凭记忆回答（可能错/过时） RAG: 用户问题 → 检索相关文档 → 模型根据文档回答（准确/可追溯）

RAG 不是"技术选型"，而是解决大模型落地实际问题必选的工程方案。没有 RAG 的大模型服务，在面对实时信息和特定领域知识时几乎不可用。

一、RAG 的三个阶段

① 索引构建（离线）

RAG 三阶段：文档进口 → 切