掌握RAG，让AI像“查资料”一样回答问题——新手程序员必备收藏指南！

本文深入讲解了RAG的核心原理、知识库构建流程及三种架构（2-Step、Agentic、Hybrid），帮助读者理解如何让AI基于知识库检索信息并生成准确回答。文章涵盖了从文档加载到向量存储的完整流程，并提供了实际应用场景及架构选择建议，适合想要学习大模型应用的小白和程序员参考收藏。

简单来说

想象你是一个刚入职的新员工，老板问你：“公司去年的销售数据是多少？”

你会怎么回答？

❌ 瞎编：“大概一个亿吧？”（你根本不知道）

✅ 查资料：找到公司内部报表，然后回答：“根据年度报告，去年销售额是 1.2 亿”

大语言模型（LLM）也面临同样的问题：

• 有限上下文 —— 不能一次性读完所有文档
• 知识过时 —— 训练数据截止到某个时间点

RAG（Retrieval-Augmented Generation） 就是让 AI 学会"查资料再回答"：

用户提问 → 从知识库检索相关文档 → 把文档给 LLM → LLM 基于文档回答

这样 AI 的回答就有了事实依据，不再是"一本正经地胡说八道"。

无 RAG vs 有 RAG 的 LLM 回答对比

本节目标

1. 理解 RAG 的核心原理和价值

2. 掌握知识库构建的完整流程

3. 区分三种 RAG 架构：2-Step、Agentic、Hybrid

4. 学会根据场景选择合适的架构

业务场景

假设你要构建一个企业知识问答系统：

1. 员工问：“公司的报销流程是什么？” → 查公司制度文档

2. 员工问：“项目 A 的技术方案是什么？” → 查项目文档

3. 员工问：“上周五谁批准了这个需求？” → 查审批记录

这些信息都在公司内部，ChatGPT 不知道。你需要：

1. 构建知识库 —— 把公司文档转成可搜索的形式

2. 实现检索 —— 根据问题找到相关文档

3. 生成回答 —— LLM 基于检索结果回答

核心概念：检索流水线

RAG 的工作流程分为两大阶段：

阶段一：构建知识库（离线）

数据源 → 文档加载 → 切分块 → 向量化 → 存入向量数据库

import { PDFLoader } from "@langchain/community/document_loaders/fs/pdf"; import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters"; import { OpenAIEmbeddings } from "@langchain/openai"; import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory"; const loader = new PDFLoader("./company-handbook.pdf"); const docs = await loader.load(); const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 1000, chunkOverlap: 200 }); const chunks = await splitter.splitDocuments(docs); const embeddings = new OpenAIEmbeddings(); const vectorStore = await MemoryVectorStore.fromDocuments(chunks, embeddings);

阶段二：检索与生成（在线）

用户问题 → 向量化 → 在向量库中搜索 → 取出相关文档 → 交给 LLM 生成答案

const retriever = vectorStore.asRetriever({ k: 5 }); const relevantDocs = await retriever.invoke("公司报销流程是什么？"); const context = relevantDocs.map(doc => doc.pageContent).join("/n/n"); const answer = await model.invoke([ { role: "system", content: `基于以下上下文回答问题。如果上下文中没有相关信息，就说"我不知道"。 上下文： ${context}` }, { role: "user", content: "公司报销流程是什么？" } ]);

RAG 两阶段检索流水线

检索流水线组件

RAG 系统由四个核心组件组成，每个都可以独立替换：

1. 文档加载器（Document Loaders）

从各种数据源加载文档：

import { PDFLoader } from "@langchain/community/document_loaders/fs/pdf"; import { NotionLoader } from "@langchain/community/document_loaders/notion"; import { GithubRepoLoader } from "@langchain/community/document_loaders/github"; const pdfDocs = await new PDFLoader("./report.pdf").load(); const notionDocs = await new NotionLoader({ ... }).load(); const githubDocs = await new GithubRepoLoader("https://github.com/org/repo").load();

支持的数据源包括：PDF、Word、Notion、Slack、Google Drive、GitHub 等。

2. 文本分割器（Text Splitters）

长文档需要切分成小块才能有效检索：

import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters"; const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 1000, chunkOverlap: 200, separators: ["/n/n", "/n", "。", ".", " "] }); const chunks = await splitter.splitDocuments(docs);

为什么要切分？

• LLM 上下文窗口有限
• 小块更精确，减少干扰信息
• 切分后可以定位具体段落

3. 嵌入模型（Embedding Models）

把文本转成向量，语义相近的文本向量也相近：

import { OpenAIEmbeddings } from "@langchain/openai"; const embeddings = new OpenAIEmbeddings({ model: "text-embedding-3-small" }); const vector = await embeddings.embedQuery("什么是报销流程？");

4. 向量存储（Vector Stores）

专门存储和搜索向量的数据库：

import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory"; import { PineconeStore } from "@langchain/pinecone"; import { ChromaStore } from "@langchain/community/vectorstores/chroma"; const memoryStore = await MemoryVectorStore.fromDocuments(docs, embeddings); const pineconeStore = await PineconeStore.fromDocuments(docs, embeddings, { pineconeIndex: myPineconeIndex });

RAG 四大核心组件架构

三种 RAG 架构

根据检索和生成的协作方式，RAG 分为三种架构：

三种 RAG 架构对比

架构 1：2-Step RAG

最简单的架构 —— 固定流程：先检索，后生成。

用户问题 → 检索相关文档 → 生成答案 → 返回给用户

import { ChatOpenAI } from "@langchain/openai"; const model = new ChatOpenAI({ model: "gpt-4.1" }); async function twoStepRAG(question: string) { const docs = await retriever.invoke(question); const context = docs.map(d => d.pageContent).join("/n/n"); const response = await model.invoke([ { role: "system", content: `基于以下上下文回答问题。 上下文： ${context} 如果上下文中没有相关信息，请说明。` }, { role: "user", content: question } ]); return response.content; } const answer = await twoStepRAG("公司年假政策是什么？");

优点：

• 简单可预测
• 延迟稳定（固定 1 次 LLM 调用）
• 容易调试

缺点：

• 不灵活，每次都必须检索
• 检索结果不好时没有补救机会

适用场景：FAQ、文档问答、知识库查询

架构 2：Agentic RAG

Agent 自己决定何时检索、检索什么。

用户问题 → Agent 判断 → 需要检索？ ↓ 是 使用检索工具 → 信息够吗？ ↓ 不够 继续检索... ↓ 够了 生成答案 → 返回给用户

import { createAgent, tool } from "langchain"; import * as z from "zod"; const searchKnowledgeBase = tool( async ({ query }) => { const docs = await retriever.invoke(query); return docs.map(d => d.pageContent).join("/n/n---/n/n"); }, { name: "search_knowledge_base", description: "搜索公司知识库，获取政策、流程、项目等信息", schema: z.object({ query: z.string().describe("搜索查询") }) } ); const fetchLatestNews = tool( async ({ topic }) => { return `关于 ${topic} 的最新消息...`; }, { name: "fetch_latest_news", description: "获取最新行业新闻和动态", schema: z.object({ topic: z.string().describe("新闻主题") }) } ); const ragAgent = createAgent({ model: "gpt-4.1", tools: [searchKnowledgeBase, fetchLatestNews], systemPrompt: `你是一个企业知识助手。 回答问题时： 1. **如果问题涉及公司内部信息（政策、流程、项目），使用 search_knowledge_base** 2. **如果需要最新的外部信息，使用 fetch_latest_news** 3. **如果是常识性问题，可以直接回答** 始终基于检索到的信息回答，不要编造。` }); const response = await ragAgent.invoke({ messages: [{ role: "user", content: "公司最近有什么新政策？" }] });

优点：

• 灵活，Agent 自主判断
• 可以多次检索，直到信息充足
• 可以结合多种工具

缺点：

• 延迟不可预测
• 可能过度检索或检索不当
• 调试困难

适用场景：复杂问答、研究助手、多源信息整合

架构 3：Hybrid RAG

结合两者优点，增加验证和纠错步骤。

用户问题 → 查询增强 → 检索文档 → 信息足够？ ↓ 不够 优化查询 → 重新检索 ↓ 够了 生成答案 → 答案质量OK？ ↓ 不OK 重新生成或换方法 ↓ OK 返回给用户

import { StateGraph, START, END, Annotation } from "@langchain/langgraph"; const State = Annotation.Root({ question: Annotation<string>(), enhancedQuery: Annotation<string>(), documents: Annotation<string[]>(), answer: Annotation<string>(), isDocsSufficient: Annotation<boolean>(), isAnswerGood: Annotation<boolean>(), retryCount: Annotation<number>() }); async function enhanceQuery(state: typeof State.State) { const enhanced = await model.invoke([ { role: "system", content: "优化用户查询，使其更适合知识库检索。输出优化后的查询。" }, { role: "user", content: state.question } ]); return { enhancedQuery: enhanced.content }; } async function retrieveDocuments(state: typeof State.State) { const docs = await retriever.invoke(state.enhancedQuery); return { documents: docs.map(d => d.pageContent) }; } async function validateDocuments(state: typeof State.State) { const validation = await model.withStructuredOutput(z.object({ isSufficient: z.boolean(), reason: z.string() })).invoke([ { role: "system", content: "判断检索到的文档是否足够回答问题。" }, { role: "user", content: `问题：${state.question}/n/n文档：${state.documents.join("/n")}` } ]); return { isDocsSufficient: validation.isSufficient }; } async function generateAnswer(state: typeof State.State) { const response = await model.invoke([ { role: "system", content: `基于以下文档回答问题：/n${state.documents.join("/n/n")}` }, { role: "user", content: state.question } ]); return { answer: response.content }; } async function validateAnswer(state: typeof State.State) { const validation = await model.withStructuredOutput(z.object({ isGood: z.boolean(), feedback: z.string() })).invoke([ { role: "system", content: "评估答案质量：是否准确、完整、基于文档。" }, { role: "user", content: `问题：${state.question}/n答案：${state.answer}/n文档：${state.documents.join("/n")}` } ]); return { isAnswerGood: validation.isGood }; } function routeAfterDocValidation(state: typeof State.State) { if (state.isDocsSufficient) return "generateAnswer"; if (state.retryCount >= 2) return "generateAnswer"; return "enhanceQuery"; } function routeAfterAnswerValidation(state: typeof State.State) { if (state.isAnswerGood) return "end"; if (state.retryCount >= 2) return "end"; return "generateAnswer"; } const hybridRAG = new StateGraph(State) .addNode("enhanceQuery", enhanceQuery) .addNode("retrieveDocuments", retrieveDocuments) .addNode("validateDocuments", validateDocuments) .addNode("generateAnswer", generateAnswer) .addNode("validateAnswer", validateAnswer) .addEdge(START, "enhanceQuery") .addEdge("enhanceQuery", "retrieveDocuments") .addEdge("retrieveDocuments", "validateDocuments") .addConditionalEdges("validateDocuments", routeAfterDocValidation) .addEdge("generateAnswer", "validateAnswer") .addConditionalEdges("validateAnswer", routeAfterAnswerValidation) .compile();

优点：

• 有质量保证
• 可以自我纠错
• 兼顾控制性和灵活性

缺点：

• 实现复杂
• 延迟较高
• 需要设计验证逻辑

适用场景：高质量要求的问答、专业领域、需要准确性保证的场景

完整示例：企业知识问答系统

import { PDFLoader } from "@langchain/community/document_loaders/fs/pdf"; import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters"; import { OpenAIEmbeddings } from "@langchain/openai"; import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory"; import { createAgent, tool } from "langchain"; import * as z from "zod"; const loader = new PDFLoader("./company-handbook.pdf"); const docs = await loader.load(); const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 1000, chunkOverlap: 200 }); const chunks = await splitter.splitDocuments(docs); const embeddings = new OpenAIEmbeddings(); const vectorStore = await MemoryVectorStore.fromDocuments(chunks, embeddings); const retriever = vectorStore.asRetriever({ k: 5 }); const searchCompanyDocs = tool( async ({ query }) => { const results = await retriever.invoke(query); if (results.length === 0) { return "未找到相关信息。"; } return results.map((doc, i) => `[文档 ${i + 1}]/n${doc.pageContent}` ).join("/n/n---/n/n"); }, { name: "search_company_docs", description: `搜索公司内部文档。 可搜索内容包括： - 公司政策（休假、报销、福利等） - 工作流程（审批、报告、会议等） - 组织架构（部门、职责、联系方式等）`, schema: z.object({ query: z.string().describe("搜索关键词或问题") }) } ); const knowledgeBot = createAgent({ model: "gpt-4.1", tools: [searchCompanyDocs], systemPrompt: `你是公司内部知识助手。 工作原则： 1. **用户询问公司相关问题时，必须先搜索文档** 2. **基于搜索结果回答，不要编造信息** 3. **如果搜索不到相关信息，明确告知用户** 4. **引用时说明来源："根据公司手册..."** 回答风格： - 简洁明了 - 分点列出重要信息 - 如有疑问，建议联系相关部门` }); async function chat() { const questions = [ "公司的年假政策是什么？", "如何申请报销？", "IT 部门的联系方式是什么？" ]; for (const question of questions) { console.log(`/n问：${question}`); const response = await knowledgeBot.invoke({ messages: [{ role: "user", content: question }] }); console.log(`答：${response.messages.at(-1)?.content}`); } } chat();

已有知识库怎么办？

如果你已经有现成的知识库（SQL 数据库、CRM、Wiki 等），不需要重建！

两种接入方式：

方式 1：包装成工具（Agentic RAG）

const searchCRM = tool( async ({ customerId }) => { const result = await crmApi.getCustomer(customerId); return JSON.stringify(result); }, { name: "search_crm", description: "查询客户信息", schema: z.object({ customerId: z.string() }) } ); const agent = createAgent({ tools: [searchCRM, searchKnowledgeBase, searchWiki] });

方式 2：查询后提供上下文（2-Step RAG）

async function answerWithExistingKB(question: string) { const sqlResult = await db.query(`SELECT * FROM faq WHERE question LIKE '%${question}%'`); const response = await model.invoke([ { role: "system", content: `基于以下数据库查询结果回答问题：/n${JSON.stringify(sqlResult)}` }, { role: "user", content: question } ]); return response.content; }

如何选择 RAG 架构？

RAG 架构选择指南

常见问题

Q1：检索结果不准确怎么办？

1. 优化切分策略 —— 调整 chunkSize 和 overlap

2. 改进嵌入模型 —— 尝试不同的 embedding 模型

3. 查询增强 —— 重写用户查询，增加关键词

4. 混合检索 —— 结合关键词搜索和向量搜索

Q2：知识库很大，向量存储选哪个？

• 开发/测试：MemoryVectorStore
• 小规模生产：Chroma、SQLite-VSS
• 大规模生产：Pinecone、Weaviate、Milvus

Q3：如何保证答案基于文档？

1. 系统提示明确要求 —— “只基于上下文回答”

2. 添加引用 —— 要求 LLM 标注来源

3. 答案验证 —— Hybrid RAG 的验证步骤

本章小结

RAG 的核心要点：

1. 解决的问题：

• LLM 知识有限且过时
• 让 AI 基于你的数据回答

2. 检索流水线：

• 文档加载 → 切分 → 向量化 → 存储
• 查询 → 检索 → 生成

3. 三种架构：

• 2-Step RAG：固定流程，简单高效
• Agentic RAG：Agent 自主决策，灵活
• Hybrid RAG：有验证步骤，高质量

4. 核心组件：

• Document Loaders：加载各种数据源
• Text Splitters：切分长文档
• Embedding Models：文本向量化
• Vector Stores：存储和搜索向量

5. 选择建议：

• 简单场景用 2-Step
• 复杂场景用 Agentic
• 高质量要求用 Hybrid

RAG 是构建企业级 AI 应用的核心技术，掌握它就能让 AI 真正服务于你的业务数据！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025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 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

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。

以上全套大模型资料如何领取？