收藏！小白程序员轻松入门大模型：DO-RAG实战指南
本文介绍了DO-RAG技术，旨在解决多模态资源中知识图谱构建和维护的难题，以及现有RAG框架的可扩展性瓶颈。DO-RAG通过将非结构化领域数据转换为动态多级知识图谱，结合图遍历和语义向量搜索，实现结构化信息检索。文章详细阐述了DO-RAG的四个关键阶段：多模态文档抽取、多级知识图谱构建、混合检索和基于事实的答案生成，为程序员提供了一套实用的技术方案，助力全面拥抱AIGC时代。
一、多模态RAG面临的困难
- 知识图谱（KGs）通过将实体及其关系以结构化形式编码，为多跳推理和精准召回上下文提供了可行性。
- 但是在多模态资源中，实体之间的关系非常复杂，导致检索输出碎片化和持续的幻觉问题。
- 并且知识图谱的构建和维护需要大量人工劳动，将其与向量搜索和 LLM 提示相结合会增加大量的工程开销。
- 现有的知识图谱与 RAG 混合框架面临着可扩展性瓶颈，需要大量的手动调整以保持知识更新时的鲁棒性。
二、DO-RAG的解决方案
DO-RAG 的核心思想是将非结构化的、多模态的领域数据转换为动态的、多级的知识图谱，并通过结合图遍历和语义向量搜索来检索结构化的、上下文丰富的信息。
在生成阶段，通过基于事实的细化步骤验证输出，减少幻觉现象，从而提高答案的事实准确性。
DO-RAG 的系统架构包括四个关键阶段：
- 多模态文档抽取和分块
- 多级实体 - 关系提取以构建知识图谱
- 结合图遍历和密集向量搜索的混合检索，以及用于生成基于事实的
- 与用户对齐的答案的多阶段生成管道。
2.1 多模态文档抽取和分块
- 首先，将异构领域数据（如日志、技术手册、图表和规范）解析为有意义的块单元。
- 这些块存储在启用 pgvector 的 PostgreSQL 实例中，同时保留其向量嵌入。
- 同时，基于代理的链式思维实体提取管道将文档内容转换为结构化的多模态知识图谱（MMKG），捕捉系统参数、行为和依赖关系等多粒度关系。
2.2 多级知识图谱构建
性。
DO-RAG 通过设计和实现一个分层的基于代理的提取管道，自动构建和更新知识图谱，捕捉实体、关系和属性。
该管道包括四个专门的代理，分别在不同的抽象级别上运行：
- 高级代理：识别结构元素，例如章节、段落等。
- 中级代理：提取特定领域的实体，如系统组件、API 和参数。
- 低级代理：捕获细粒度的操作关系，如线程行为或错误传播。
- 协变量代理：为现有节点附加属性，例如默认值、性能影响等。
通过这种方式，DO-RAG 能够从文本、表格、代码片段和图像等多种模态的文档中提取结构化知识，构建动态的知识图谱。
2.3 混合检索和查询分解
在用户提交问题时，DO-RAG 使用基于 LLM 的意图分析器对用户查询进行结构化分解，生成子查询以指导从知识图谱和向量存储中的检索。
- 首先，通过语义相似性从知识图谱中检索相关节点，然后执行多跳遍历来扩展检索范围，生成结构化的、特定领域的上下文。
- 接着，利用图谱派生的上下文重写原始查询，使其更加具体和明确。
- 最后，将重写的查询向量化，用于从向量数据库中检索语义相似的文本片段。
所有相关的信息源（原始查询、重写后的查询、知识图谱上下文、检索到的文本片段和用户交互历史）被整合到一个统一的提示结构中，并传递给生成管道。
2.4 基于事实的答案生成和幻觉缓解
在生成阶段，DO-RAG 采用分阶段的提示策略。
初始的简单提示，指示 LLM 仅根据检索到的证据回答问题，并明确避免未经支持的内容。
输出经过细化提示，重新构建和验证答案，然后通过压缩阶段确保连贯性和简洁性。
此外，DO-RAG 还会根据细化后的答案生成后续问题，基于整体对话上下文提出下一步的查询，增强用户参与度并支持多轮交互。
如果系统无法找到足够的证据，模型将返回“我不知道”，以保持可靠性并防止幻觉。
三、一些细节
3.1 知识图谱构建
- 多模态文档摄取：
- 系统接收包含文本、表格和图像的异构领域数据，将其标准化并分割为有意义的块单元。
- 同时，保留元数据，如源文件结构、章节层次和布局标签，以便于追溯。
- 实体 - 关系提取：
- 通过多代理管道提取结构化知识
- 高级代理识别文档的结构元素
- 中级代理提取特定领域的实体
- 低级代理捕获细粒度的操作关系
- 协变量代理为现有节点附加属性
- 每个代理的输出被整合到动态知识图谱中，节点代表实体，边代表关系，权重表示置信度。
- 去重与优化：
- 通过计算新实体嵌入与现有实体嵌入之间的余弦相似性，避免知识图谱中的冗余。
- 此外，合成概要节点以对相似实体进行分组，降低图谱复杂性。
3.2 混合检索步骤
- 查询分解：
- 用户查询通过基于 LLM 的意图分析器分解为多个子查询，每个子查询代表一个离散的信息意图。
- 知识图谱检索：
- 将初始查询嵌入到向量空间中，并与知识图谱中的相关实体进行匹配。
- 然后执行多跳遍历，扩展检索范围，生成结构化的、特定领域的上下文。
- 查询重写：
- 利用图谱派生的上下文，通过图感知提示模板重写原始查询，使其更加具体和明确。
- 向量检索：
- 将重写的查询向量化，并从向量数据库中检索出语义相似的文本片段。
- 信息整合：
- 将所有相关信息源（原始查询、重写后的查询、知识图谱上下文、检索到的文本片段和用户交互历史）整合到一个统一的提示结构中。
3.3 生成与细化步骤
- 初始答案生成：
- 基于检索到的证据，使用简单的提示策略生成初始答案。此时，明确指示 LLM 避免生成未经支持的内容。
- 答案细化：
- 将初始答案传递给细化提示，重新构建和验证答案，确保其事实准确性。
- 答案压缩：
- 通过压缩阶段调整答案的语气、语言和风格，使其与原始查询保持一致，同时确保连贯性和简洁性。
- 后续问题生成：
- 基于细化后的答案和整体对话上下文，生成后续问题，引导用户进行更深入的探索。
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
最后
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、AI大模型最新行业报告
2026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、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
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
…
👇👇扫码免费领取全部内容👇👇
3、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。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】