一、构成RAG的基本概念
Embeddings：用数学空间表达语义和文本间的关系
文本相似度： 表层：词汇重叠.深层：语义
语义相似度与距离：关注文本的深层含义与上下文，而非仅仅是词汇。
语义距离：越近，语义相似度越高；越远，语义相似度越低.
文档分块（chunking)：将长文本按一定大小和分块策略拆分成小块进行存储。分块策略很重要，一般会按章节、段落、句子进行分块。固定字符分割器和递归字符分割器比较常用，语义分割器和LLM分割器也需要了解。对于结构化文档，或者专注于某一个领域的文档，可以自定义文档结构分割器。
向量数据库： 文本转化成高维向量，存入向量数据库。向量数据库的检索是语义检索，而传统Bm25算法是基于关键词搜索，不理解语义。
主流向量数据库：Pineane、Weaviate、ChromaDB、Milyus、Qdrant等
常用RAG检索方案：混合检索，结合BM25和语义检索的优势（结合项目思考：为什么？）
底层检索机制：FAISS、ScaNN等库
高效算法：HNSW等
二、RAG的挑战
1、答案分布在多个块或文档中，难以获取完整上下文，导致信息不准确／不完整
2、系统效果高度依赖分块和检索质量
3、如何处理矛盾信息
4、定期维护需要成本
三、知识图谱RAG与智能体RAG
图RAG(GraphRAG)：利用知识图谱而非简单向量数据库进行储存知识并检索，能整合分散在多个文档的信息，弥补传统RAG的不足，同时，知识图谱的构建方式能让检索结果理解数据间的连接，能提供更具上下文和细致度的答案。
缺点：构建和维护高质量知识图谱的复杂性高，每次构造图调用LLM成本高，延迟高
特点：“有深度，能洞察到数据潜在关联性”
智能体RAG：引入推理和决策层．专门的Agent主动参与，来把关知识质量，精炼知识。
优势：
①能够进行反思和来源验证
②调和知识中的矛盾和冲突，比如两份知识块内容有矛盾，智能体RAG可以判断哪份更为可信
③可以进行多步推理，给出一个结构化的综合了多方复杂因素的答案
④能识别知识空缺并调用外部工具
挑战：
①设计、实现和维护需要大量工程投入，计算开销也更高。
②延迟，耗时更高
③智能体本身带来的错误，如推理失误陷入无用循环、误解任务，或错误地丢弃了相关信息，影响响应质量。
四、思考与回答
1、什么是知识图谱？原理？实现？
知识图谱是一些形如：“主体-关系一主体”、“主体一属性“属性值”的三元组通过主体关联起来的一张网络图，主体、关系和属性组成了知识图谱的数据层，而另有“模式层”定义主体和属性、关系都包含哪些现实概念。
知识图谱RAG是先G-Indexing：通过Lm提取三元组，建立图谱，存入图数据库／三元组库／关系型数据库；
再通过G-Retrivaling 检索主体与关联的边、主体、属性等，或提取主体聚合成社区的特征。
最后进行G-Generating，将结果（子图或社区摘要）线性化为自然语言文本，完成RAG。
2.RAG Agont的推理和决策，是在一次api请求内完成的，还是反复整合输出调整输入，进行多次请求？
RAG Agent是使用langGraph这种编排层框架，通过多次，序列化地调用LLm和各类工具（检索器，API等），组织起一个“规划一执行一观察一反思”的循环工作流。在这个过程中，LLm主要扮演“规划者”和“判断者”的角色，而系统的“行动能力”则由编排层调度外部资源完成。
推理-决策与模型内“深度思考”的区别：深度思考是模型内生能力。其核心是通过改进模型架构或训练方法（如CoT思维链数据微调），让模型在“单次前向传播”中，生成更连贯，更“有逻辑”的推理步骤。推理-决策是外部的工程编排，二者是“更锋利的剑”与“更好的剑法”的关系。
3. RAG底层检索机制？
在向量数据库中存在着超大量级的向量，在针对query向量进行相似度对比时，如果暴力一个一个对比，消耗的时间是不可估计的。HNSW之类的算法提供了更好的搜索方式（我暂时不知道是什么，应该是增加索引一类的），而FAISS、ScaNN就是这种算法的集合工具库，但是向量存在哪里工具库不管。Pinecone、Weaviate是向量数据库，同时集成了搜索工具库，直接可以使用。