LLM工程化实践——RAG基础入门（一）
大模型 RAG 系统基础入门
1. RAG 是什么？
RAG = Retrieval-Augmented Generation
检索增强生成：先从外部知识库检索相关信息，再送给大模型生成答案。
解决 LLM 三大问题：知识过时、幻觉、隐私数据不可访问。
2. 核心基础概念
LLM（大语言模型）：负责理解、推理、生成文本。
Embedding（向量 / 嵌入）：把文本变成可计算的向量，用于语义匹配。
Vector Database（向量数据库）：存储、检索向量。
Chunk（文本分块）：把长文档切成小段，提高检索精度。
Retrieval（检索）：从知识库中找到与问题最相关的内容。
Prompt Engineering（提示工程）：指导模型基于检索内容回答。
Hallucination（幻觉）：模型编造不存在的信息，RAG 主要目标之一就是抑制。
3. RAG vs Fine-tuning
RAG：低成本、实时更新、安全可控、适合知识库问答。
Fine-tuning：适合改风格、强逻辑、任务范式学习。
实际工程：RAG 为主，微调为辅。