【AI Engineering】为什么RAG有效？RAG策略与实践指南

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

核心观点

检索增强生成（Retrieval-Augmented Generation, RAG）作为AI工程中的关键技术，有效应对了基础大模型在实际应用中的两大难题：知识过时与幻觉现象。其核心机制在于“检索-增强-生成”的三步流程，通过将外部知识动态注入模型上下文，使生成结果基于真实、可验证的信息源。

“RAG allows models to access real-time, accurate information by injecting external knowledge into the model context, without requiring retraining.”

—— Chip Huyen，《AI Engineering: Building Applications with Foundation Models》第5章

RAG之所以高效，在于它改变了传统模型依赖参数记忆的工作方式，转而采用“查找而非回忆”的策略。每次用户发起查询时，系统会先从外部知识库中检索相关文档，将其作为上下文补充进提示词，再交由生成模型输出答案。这种方式不仅确保了信息的时效性（知识库可随时更新），也显著降低了模型编造内容的风险，并突破了模型自身知识容量的边界。

从简单的向量相似度匹配，到多轮交互式检索和结果重排序，RAG支持构建高度精准的知识增强系统，广泛适用于问答、智能客服、企业知识管理等场景。

一、RAG为何有效？——底层原理剖析

1.1 基础模型的三大瓶颈

尽管基础大模型具备强大的语言理解与生成能力，但在实际部署中仍面临以下关键挑战：

• 知识陈旧：训练数据存在时间截止点（如GPT-4仅涵盖至2023年4月），无法反映后续发生的事件或新出现的事实。
• 知识封闭：模型只能利用训练期间见过的数据，难以获取企业内部政策、实时业务数据等专有信息。
• 幻觉频发：在缺乏确切依据时，模型倾向于生成逻辑通顺但事实错误的内容，且无内置校验机制。

1.2 RAG的应对之道

RAG的核心理念是让模型不再“凭记忆回答”，而是“查资料作答”。其实现路径分为三个阶段：

1. 检索：根据用户输入的问题，在外部知识库中查找最相关的文档片段；
2. 增强：将检索到的文本内容整合进提示（prompt），形成富含上下文的输入；
3. 生成：大模型基于增强后的提示生成最终回答。

这一流程实现了三大优势：

• 信息实时性：只要更新知识库，即可立即反映最新状态；
• 减少虚假输出：回答基于真实文档，降低虚构风险；
• 知识扩展性强：不受限于模型参数所“记住”的内容，理论上可接入任意规模的知识源。

1.3 RAG 与 微调：适用场景对比

RAG和微调（Fine-tuning）均为提升模型性能的技术手段，但设计目标不同，各有侧重。

维度	RAG	微调
知识更新	实时更新知识库即可生效	需重新训练模型
成本开销	低（仅涉及检索操作）	高（需计算资源进行训练）
可解释性	高（答案来源可追溯）	低（决策过程为黑箱）
应用场景	知识密集型任务（如问答、文档摘要）	任务特定优化（如代码生成、风格迁移）
数据需求	原始文档即可	需要标注良好的训练样本

正如《AI Engineering》第五章指出：

“For knowledge-intensive tasks, prioritize RAG. For task-specific optimization, consider finetuning.”

这意味着：若任务依赖大量外部知识且要求信息准确与时效，应优先选择RAG；若目标是调整模型行为以适应特定格式、术语或推理模式，则微调更为合适。

二、RAG系统架构：核心模块解析

2.1 整体架构概览

RAG系统的运行流程可划分为两个主要阶段：索引构建阶段与查询执行阶段。前者负责将原始文档转化为可检索的结构化表示，后者则完成从问题理解到答案生成的全过程。

2.2 核心组件详解

2.2.1 文档处理（Document Processing）

原始知识源通常为PDF、网页、数据库记录等形式，需经过清洗、分段、去噪等预处理步骤，转换为适合检索的文本块。常见的处理技术包括：

• 文本提取与编码标准化；
• 长文档切片（chunking），控制每段长度以适配上下文窗口；
• 元数据标注（如来源、章节、时间戳）用于后期过滤与排序。

2.2.2 向量化（Embedding）

使用嵌入模型（如BERT、BGE、Sentence-Transformer系列）将文本块转化为高维向量表示。这些向量捕捉语义信息，使得语义相近的内容在向量空间中距离更近，为后续相似度匹配奠定基础。

2.2.3 向量存储（Vector Store）

将生成的向量及其对应文本存入专用向量数据库（如Pinecone、Weaviate、Milvus、FAISS）。这类系统支持高效的近似最近邻搜索（ANN），可在毫秒级时间内从百万级条目中找到最相关的结果。

[此处为图片1]

2.2.4 检索器（Retriever）

接收用户查询后，检索器首先将其同样转化为向量，然后在向量库中执行相似度搜索，返回Top-K个最匹配的文档片段。常见算法包括余弦相似度、内积匹配等。部分系统还结合关键词匹配（如BM25）实现混合检索，提升召回质量。

2.2.5 生成器（Generator）

将原始问题与检索出的相关文档共同构造为新的提示词，输入给大语言模型（LLM）进行回答生成。该过程充分利用上下文信息，引导模型输出有据可依的答案，同时保持自然流畅的语言表达。

三、RAG演进路径：从基础到高级策略

3.1 基础RAG（Naive RAG）

最初的RAG实现较为简单，包含三个线性步骤：

1. 对用户提问直接进行向量化并检索；
2. 选取前几条结果拼接为上下文；
3. 送入生成模型输出回答。

虽然能解决基本的知识补充问题，但在复杂查询下易出现检索不准、上下文冗余等问题。

3.2 高级RAG策略

3.2.1 查询重写（Query Rewriting）

原始用户问题可能表述模糊或含有歧义。通过引入重写模块（如HyDE、Step-wise Prompting），系统可自动改写问题为更清晰、更具检索导向的形式，例如将“怎么处理报销？”转化为“公司差旅费用报销流程是什么？”从而提高检索命中率。

3.2.2 多轮检索（Multi-Turn Retrieval）

针对复杂问题，单次检索往往不足以覆盖全部相关信息。多轮检索允许系统在初次生成草稿后，识别其中缺失的关键信息，再次发起针对性查询，逐步完善答案。这种迭代式方法类似于人类研究问题的过程。

3.2.3 重排序（Reranking）

初始检索返回的结果虽按相似度排序，但未必最优。引入独立的重排序模型（reranker），综合考虑语义匹配度、相关性强度、权威性等因素，对候选文档重新打分排序，进一步提升关键信息的前置概率。

3.2.4 上下文压缩（Context Compression）

当检索返回大量文本时，可能超出模型上下文窗口或引入噪声。上下文压缩技术通过删除无关句子、提取关键句、或使用注意力机制筛选重要信息，保留最具价值的部分，提升生成效率与准确性。

3.2.5 多模态RAG

扩展RAG至图像、音频、表格等多种数据类型。例如，将图文对共同编码为联合嵌入空间，支持“根据图表说明趋势”类问题的回答。此类系统需融合跨模态编码器与对齐机制，代表未来发展方向。

3.3 代理式RAG（Agentic RAG）

将RAG集成进智能代理（Agent）框架中，赋予系统自主决策能力。代理可根据问题类型判断是否需要检索、何时终止检索、如何整合多个信息源，甚至调用外部工具验证信息真伪。这种架构更接近人类认知过程，适用于复杂决策支持系统。

四、RAG性能优化方向

4.1 检索优化

• 采用混合检索（Hybrid Search）：结合向量检索与关键词检索（如BM25），兼顾语义与字面匹配；
• 优化分块策略：尝试不同大小、重叠比例、语义边界分割方法，提升片段完整性；
• 使用查询扩展技术：自动添加同义词、上下位词、领域术语以丰富检索信号。

4.2 生成优化

• 设计更合理的提示模板，明确指示模型引用所提供资料；
• 加入拒答机制：当检索内容无关或置信度低时，引导模型声明“无法确定”；
• 控制生成风格：统一术语使用、避免重复、增强逻辑连贯性。

4.3 评估优化

建立科学的评估体系至关重要，常用指标包括：

• 检索层面：Hit Rate、MRR（Mean Reciprocal Rank）、Recall@K；
• 生成层面：BLEU、ROUGE、BERTScore；
• 端到端评估：人工评分、事实一致性检测（Factuality）、答案可追溯性检查。

建议定期开展A/B测试，对比不同配置下的系统表现，持续迭代优化。

五、RAG最佳实践指南

• 优先保证知识库质量：干净、结构清晰、元数据完整是成功前提；
• 合理设定chunk大小：一般建议在256~512 token之间，视任务而定；
• 监控检索覆盖率与生成可靠性，设置告警机制；
• 实施版本化管理：对知识库、嵌入模型、提示模板进行版本追踪；
• 关注延迟与吞吐量平衡，优化系统响应速度。

六、实战案例：企业内部知识助手设计

某大型科技公司需构建员工自助知识服务平台，用于快速解答人事政策、IT支持、项目规范等问题。传统FAQ机器人维护困难且覆盖有限，决定采用RAG方案。

系统设计要点：

• 数据源整合HR手册、内部Wiki、会议纪要、IT SOP文档等非公开资料；
• 使用BGE模型进行中文嵌入编码，部署于私有化向量库Weaviate；
• 前端对接企业微信，支持自然语言提问；
• 后台集成查询重写与重排序模块，提升复杂问题处理能力；
• 生成环节强制引用原文出处，增强可信度。

上线后，问题解决率提升60%，平均响应时间低于2秒，员工满意度显著上升。该案例验证了RAG在封闭环境下的强大适应力与实用价值。

任务特定的优化通常需要模型学习特定的数据模式，因此可以考虑对模型进行微调以提升效果。

RAG架构：核心组件解析

2.1 整体架构流程

RAG系统的工作流程由多个关键步骤构成：

1. 首先对用户输入的查询进行理解或重写，将其转化为更利于检索的表达形式；
2. 随后将处理后的查询进行向量化（Embedding），即转换为数值型向量表示；
3. 在向量数据库中执行向量搜索（Vector Search），找出语义相近的文档片段；
4. 从原始文档库中获取这些匹配片段对应的完整内容，完成文档检索（Document Retrieval）；
5. 通过重排序（Reranking）技术对检索结果进行优化排序，提高相关性精度；
6. 将筛选出的文档内容组织成连贯的上下文信息；
7. 将该上下文注入到提示词中，实现提示增强（Prompt Augmentation）；
8. 交由大语言模型（LLM）基于增强后的提示生成回答；
9. 最后经过后处理（Post-processing）阶段，对输出结果进行验证与格式优化，形成最终答复。

这一流程的核心逻辑在于：借助外部知识库中的真实信息辅助生成过程，通过“检索-增强-生成”三步机制保障回答的准确性与可追溯性。每个环节各司其职，共同支撑起完整的RAG体系。

2.2 核心模块详解

2.2.1 文档预处理（Document Processing）

文档预处理的目标是将原始资料转化为适合检索的结构化数据，主要包括以下三个子步骤：

• 分块（Chunking）：将长文本切分为较小单元。常见方法包括固定长度切分（如每块512个token）和基于语义边界的智能分割。块大小需权衡：过小易丢失上下文关联，过大则影响检索粒度与精度。
• 重叠策略：相邻块之间设置一定重叠（通常为50 token），防止关键信息被截断，确保语义连续性。
• 元数据提取：提取文档属性信息，如来源、作者、创建时间、文档类型等。这些信息不仅有助于精准检索，也便于后续溯源验证。
• 内容清理：去除HTML标签、特殊符号、乱码等噪声数据，提升文本质量与处理效率，从而改善整体检索表现。

2.2.2 向量化（Embedding）

向量化的目的是将文本语义编码为高维空间中的数值向量，使得语义相似的内容在向量空间中距离更近，便于通过相似度计算快速定位相关内容。

常用的嵌入模型可分为三类：

• 通用模型：例如 OpenAI 的 text-embedding-ada-002，适用于大多数常规场景；
• 多语言模型：如 multilingual-e5-large，支持跨语言检索任务；
• 领域专用模型：在特定行业或专业数据上微调得到，更适合医疗、法律等垂直领域应用。

模型选择应根据实际需求决定：一般用途选用通用模型，涉及多语言使用多语言版本，专业领域建议采用微调后的定制模型。

2.2.3 向量存储（Vector Store）

向量存储负责高效保存和检索向量数据，主流方案包括：

• 托管服务：如 Pinecone，部署简单、维护成本低，但属于商业付费产品；
• 开源高性能库：如 FAISS，性能优异，但需自行搭建与运维；
• 功能全面平台：如 Weaviate，支持元数据过滤、图关系等功能，适合复杂应用场景；
• 轻量级本地方案：如 Chroma，易于集成，适合小规模或实验性项目。

选型时可根据团队资源和技术要求权衡：追求快速上线可选托管服务；强调性能自控可用FAISS；需要丰富功能考虑Weaviate；小型项目推荐Chroma。

2.2.4 检索器（Retriever）

检索器的核心职责是从向量库中查找与查询最相关的文档。主要检索策略有三种：

• 相似度检索：基于余弦相似度等度量方式，在向量空间中寻找最近邻文档，适用于语义匹配任务；
• 混合检索：结合向量检索与关键词检索（如BM25），兼顾语义理解与精确匹配，提升召回率；
• 重排序（Re-ranking）：利用更高精度的交叉编码器（Cross-Encoder）对初步检索结果重新打分排序，显著提升排名质量。

这些策略可独立使用，也可组合实施。例如先用向量+BM25做初筛，再通过重排序精炼结果，适应高精度场景需求。

2.2.5 生成器（Generator）

生成器的任务是依据检索所得上下文生成准确且可信的回答。提示设计至关重要，必须明确指示模型仅基于提供的文档作答，并规定：

• 若文档中无相关信息，应回复“我不知道”；
• 回答需引用原文出处（如有）；
• 表达不确定性时保持谨慎语气；
• 遵循指定格式输出（如列表、段落、JSON等）。

合理的提示结构应包含：检索到的上下文、用户原始问题、输出指令。这种约束机制有效防止幻觉生成，确保输出内容真实、可验证。

三、RAG策略演进：从基础到高级

3.1 基础RAG（Naive RAG）

基础RAG采用最简流程：将用户查询直接向量化 → 检索Top-k最相似文档 → 将文档内容拼接进提示 → 调用LLM生成回答。

优点在于流程清晰、实现简便、成本较低，适用于简单问答系统或原型开发。但存在明显短板：

• 检索结果可能不准确，因原始查询未优化，难以匹配目标文档；
• 拼接过多文档可能导致上下文超出模型最大长度限制；
• 缺乏重排序机制，无法对检索结果进一步提纯。

因此，基础RAG更适合低复杂度任务，面对专业或高精度需求时，需引入高级策略进行增强。

3.2 高级RAG策略

3.2.1 查询重写（Query Rewriting）

该策略旨在解决用户原始提问与知识库表述不一致的问题。由于自然语言表达多样，用户提问可能无法直接命中已有文档关键词或语义结构。

为此，可通过模型自动将原始查询转换为更符合文档风格或术语习惯的形式，提升检索匹配度。例如将口语化问题转为正式术语表达，或将模糊描述扩展为具体关键词组合。

[此处为图片1]

当用户提出如“这个怎么用？”这类模糊问题时，应将其重写为更具体的查询语句，例如“产品X的使用方法和操作步骤”。这种查询重写的核心在于保留原始意图的同时提升具体性，从而更有效地匹配相关文档内容。

3.2.2 多轮检索（Multi-Turn Retrieval）

针对需要分步获取信息的复杂问题，多轮检索提供了一种系统化的解决方案。其处理流程包括：

1. 第一轮检索：获取与查询相关的初始信息；
2. 分析阶段：识别当前结果中缺失的关键信息；
3. 第二轮检索：基于分析结果，发起补充性检索以填补信息空缺；
4. 合并整合：将多轮检索所得的信息进行融合，生成完整且准确的回答。

由于复杂问题通常涉及多个信息层面，单次检索难以覆盖全部所需内容。而通过逐步收集并整合信息，多轮检索显著提升了对复杂任务的支持能力。

3.2.3 重排序（Reranking）

向量检索虽然高效，但可能返回部分不相关或低相关性的文档，影响后续生成质量。为此引入重排序机制，利用更高精度的模型对初步检索结果重新排序。

该方法的优势在于能更精准地评估查询与文档之间的相关程度，从而提升整体检索准确性。然而，由于需额外运行重排序模型，计算成本相应上升。因此，此技术更适合对精度要求较高的场景，而在简单查询中可酌情省略以节省资源。

3.2.4 上下文压缩（Context Compression）

在实际应用中，检索出的文档内容可能过长，超出语言模型的上下文窗口限制，导致无法完整处理。上下文压缩旨在解决这一问题。

其核心方式是通过提取与当前查询最相关的片段，去除冗余或无关内容，有效缩短输入长度。这种方法不仅确保了内容适配模型的处理范围，还提高了生成质量——因为模型仅聚焦于关键信息，减少了干扰。

3.2.5 多模态RAG

多模态RAG扩展了传统RAG的能力边界，使其能够处理图像、表格等非纯文本数据。主要实施方式包括：

• 图像RAG：采用CLIP等模型将图像编码为向量，实现图文联合检索；[此处为图片1]
• 表格RAG：针对结构化数据设计专用检索策略，支持表格内容的精确查找；[此处为图片2]
• 混合RAG：结合文本、图像和表格等多种模态，构建统一的多源信息检索系统。

此类系统适用于需要综合多种数据类型的场景。例如，在医学领域可用于同时检索学术论文与医学影像资料；在法律领域则可联动法规条文与案例配图进行辅助决策。

3.3 代理式RAG（Agentic RAG）

代理式RAG结合了检索增强生成与智能代理技术，具备主动调用工具和动态规划的能力。其核心功能包括：

• 支持多步检索，可根据反馈持续补充信息；
• 可调用外部工具，如计算器、API接口等，用于执行特定数据处理任务；
• 具备动态决策能力，能根据中间结果调整后续行动路径。

例如，面对“2023年AI投资总额是多少？”的问题，代理会首先判断需获取年度投资数据，随后执行文档检索，发现部分数值后调用计算器汇总，最终输出准确总额。这种自主推理与执行的闭环流程，使代理式RAG能够应对高度复杂的现实任务。

四、RAG优化：提升效果

4.1 检索优化

检索质量直接影响最终输出效果，优化方向主要包括以下三个方面：

分块策略

合理的文本切分对检索精度和上下文完整性至关重要。关键考量点包括：

• 块大小：过小易丢失上下文，过大则降低检索精确度，需权衡选择；
• 重叠设置：相邻块之间建议重叠约50个tokens，防止关键信息被截断；
• 分割方法：固定长度适用于格式规整文档，语义分割更适合内容层次丰富的长文本。

推荐实践策略为：小文档直接整篇处理；中等长度文档采用512 tokens分块并重叠50；长文档优先使用语义分割技术。

嵌入模型选择

模型选型应综合考虑以下因素：

• 领域匹配：通用场景可用通用模型，专业领域建议使用微调后的专用模型；
• 多语言需求：若服务多语种用户，需选用支持多语言的嵌入模型；
• 维度权衡：高维向量通常表达更精细，但带来更高存储与计算开销。

常用推荐如下：通用任务可选OpenAI的ada-002（1536维），开源替代方案推荐sentence-transformers/all-MiniLM-L6-v2，特定领域则建议在自有数据上进行微调以提升适配性。

混合检索

结合向量检索与关键词检索，发挥两者优势：

• 向量检索擅长捕捉语义相似性，即使措辞不同也能找到相关内容；
• 关键词检索提供精确匹配能力，确保包含特定术语的文档不被遗漏。

实施流程为：分别执行两种检索，之后对结果集进行去重，并进行统一重排序，形成最终输出列表。该方法显著增强了检索的全面性与准确性。

4.2 生成优化

为提高生成内容的质量与可靠性，主要从以下两个方面入手：

提示优化

设计高质量提示词时应包含以下要素：

• 明确要求模型引用来源，保证回答可追溯；
• 允许模型表达不确定性，如“无法确定”或“不知道”，避免虚构信息；
• 设定输出格式规范，确保响应风格一致、结构清晰。

此类优化有助于产出准确、可信且格式统一的结果。

链式生成

采用多阶段生成流程，逐步完善答案：

1. 生成初步回答；
2. 验证答案正确性，并识别信息缺口，进行补充检索；
3. 整合新信息后生成最终版本。

通过迭代式处理，链式生成有效降低了错误率，提升了回答完整性。

4.3 评估优化

为全面衡量RAG系统性能，评估体系应涵盖两个核心维度：

• 检索评估：检验检索模块是否准确命中相关文档；
• 生成评估：判断生成内容是否准确、连贯、符合要求。

通过建立标准化评估流程，可系统性发现瓶颈并指导优化方向。

在评估检索性能时，常用的关键指标包含召回率、精确率以及MRR（平均倒数排名）。其中，召回率衡量的是相关文档被成功检索出的比例，体现检索的完整性；精确率关注的是检索结果中相关文档所占的比重，反映检索的准确性；而MRR则用于评估首个相关结果的排名位置，整体反映检索结果的质量。这些指标共同为优化检索过程提供数据支持。

生成模块的评估同样依赖多个维度：首先是准确性，即生成内容是否正确回答了问题，直接体现生成质量；其次是相关性，判断回答是否紧扣用户查询，确保内容贴合需求；最后是引用准确性，验证系统引用的信息来源是否真实可靠，保障输出结果具备可追溯性。

评估方式主要分为人工评估与自动评估两类。人工评估虽然耗时且成本较高，但结果更为精准可信；自动评估则效率高，适合大规模测试，但可能存在偏差。实践中通常将两者结合使用，在评估效率与结果可靠性之间取得平衡。

五、RAG最佳实践

RAG系统的优化可从三个核心维度展开：数据准备、系统设计和成本控制。

数据准备

高质量的数据是RAG系统运行的基础。需确保文档内容准确无误且结构完整。同时，应丰富元数据信息，如添加文档来源、发布日期等字段，以增强检索时的筛选能力与结果验证的便利性。此外，知识库需要定期更新，保证信息的新鲜度与时效性。[此处为图片1]

系统设计

良好的架构设计提升系统的可维护性与扩展性。建议采用模块化设计，将检索与生成模块分离，便于独立调试与升级。系统还需具备可扩展性，支持知识库的增量更新，适应不断增长的数据量。同时，建立监控机制，持续追踪检索命中质量与生成输出表现，助力系统迭代优化。[此处为图片2]

成本优化

在保障效果的前提下，控制运行成本至关重要。可通过缓存高频查询的结果减少重复计算开销；利用批处理技术合并多个请求，提高处理吞吐量；在模型选择上，使用轻量级模型完成向量检索任务，而将高性能大模型保留用于最终的回答生成，从而实现资源利用与效果之间的合理平衡。[此处为图片3]

六、实战案例：企业内部知识助手的RAG系统设计

本案例聚焦于构建一个面向企业员工的知识问答助手，旨在高效解答有关公司政策、工作流程等方面的常见问题。系统架构划分为四个层次：数据层、处理层、检索层和生成层。

数据层

该层负责汇集各类企业文档，包括公司规章制度、员工手册及常见问题集（FAQ），支持PDF、Word、Markdown等多种格式。通过每周定时同步机制，确保知识库内容保持最新状态，为上层功能提供稳定可靠的数据支撑。[此处为图片4]

处理层

文档在此阶段被预处理为适合检索的格式。文本按512个token进行分块，并设置50个token的重叠区间，以兼顾检索精度与上下文连贯性。采用OpenAI的ada-002模型生成嵌入向量，兼顾通用性与表现力。向量数据存储于Pinecone向量数据库中，具备良好易用性与高检索性能。[此处为图片5]

检索层

为提升检索效果，采用混合检索策略，融合向量语义匹配与BM25关键词匹配的优势，兼顾语义理解与精确术语匹配。随后使用CrossEncoder对初步结果进行重排序，进一步提升相关文档的排名靠前概率。最终返回Top-k=5的候选文档，兼顾响应质量与系统负载。[此处为图片6]

生成层

生成模块基于GPT-4模型，确保输出语言自然流畅且信息准确。提示词设计中明确要求模型引用原始文档来源，增强回答的可信度。生成后还加入引用验证环节，检查引用内容是否存在、是否匹配，防止错误引用或虚构信息出现。[此处为图片7]

应用效果

引入RAG架构后，系统准确率由原先无RAG时的60%显著提升至90%，大幅改善回答质量。用户满意度达到4.2分（满分5分），表明使用者普遍认可其表现。单次查询平均成本为0.05美元，处于可控范围内。该案例充分展示了RAG在实际业务场景中的价值，证明其能有效提升智能问答系统的实用性与可靠性。[此处为图片8]

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Engineering engineerin Engineer Engine NEER