[!info] related notes

• 上层 MOC: AI Agent Application MOC, AI MOC
• 核心概念: RAG
• 应用: RAG 知识库与 pgvector

RAG Engineering MOC

RAG 不只是”向量搜索 + 塞给模型”。从文档摄入到分块、从 Embedding 到向量存储、从混合检索到重排序、从引用生成到幻觉检测，RAG 是一个需要系统化工程的完整管线。

这张地图覆盖什么

• RAG 的核心原理与架构
• 文档摄入、分块、元数据管理
• Embedding 模型与向量存储
• 检索策略：语义搜索、关键词搜索、混合检索
• 重排序与上下文压缩
• 引用生成与幻觉检测
• 知识生命周期管理

推荐阅读顺序

1. RAG (检索增强生成) — RAG 是什么、为什么需要、核心原理
2. 文档摄入 — 从各种数据源加载文档
3. 文档分块 — 把文档切成可检索的块
4. Embedding 模型 — 把文本转成向量
5. 向量数据库 — 存储和检索向量
6. 混合检索 — 语义搜索 + 关键词搜索的组合
7. [[reranker|Reranker (重排序)]] — 检索结果的二次排序
8. 引用生成 — 让模型标注信息来源
9. 幻觉减少 — 确保模型回答基于检索内容

核心概念分组

数据管线

• 文档摄入 — 从各种数据源加载文档
• 文档分块 — 把文档切成可检索的块
• Chunk 元数据 — 分块的元数据管理
• 知识生命周期 — 知识的创建、更新、归档

向量化与存储

• Embedding 模型 — 把文本转成向量
• 向量数据库 — 向量的存储与检索

检索策略

• 语义搜索 — 基于向量相似度的检索
• 关键词搜索 — 基于 BM25 等传统方法的检索
• 混合检索 — 语义 + 关键词的组合
• Query Rewriting — 查询改写优化
• Multi-query Retrieval — 多查询检索策略

后处理与生成

• [[reranker|Reranker (重排序)]] — 检索结果的二次排序
• 上下文压缩 — 压缩检索结果以节省 token
• 引用生成 — 让模型标注信息来源
• Source Grounding — 确保回答基于检索内容
• 幻觉减少 — 减少模型编造信息

实践

• RAG 知识库与 pgvector — PostgreSQL 向量检索方案
• Python RAG Agent — RAG Agent 实战
• RAG Faithfulness 校验 — 回答与知识库的一致性校验
• 意图感知 RAG 重排 — 按用户意图对检索结果重排

相关 MOC

• AI Agent Application MOC
• AI MOC
• Context Engineering MOC