NOVAIX
RAG 与知识库图文讲义1850 字

RAG检索优化与实践指南

·全库 116 / 611

《RAG检索优化与实践指南》共 13 页、0.2 万字，通篇围绕 检索、RAG、微调、向量 展开，归在「RAG 与知识库」这一层。

覆盖检索RAG微调向量成本知识库

适合手上有一堆资料，要把它变成能问答的知识库的人

目录骨架（8 节）
  1. 大模型的“知识截止日期”困境
  2. 为什么“微调” 并非万能解药？
  3. 解决方案 RAG：为大模型外挂一个“实时知识大脑”
  4. RAG 架构 Part 1：构建可检索的知识库（索引阶段）
  5. RAG 架构 Part 2：实时问答的“检索-增强-生成”流程
  6. RAG 实战对比：从泛泛而谈到精准回答
  7. 关键细节：文本切分的科学与艺术
  8. 超越简单搜索：混合检索（Hybrid Search）提升召回率

原 PDF 已逐页还原成图，共 13 页，这里先放前 3 页，其中 2 页识别出了标题。右侧文字由 OCR 按版面重排，可能有个别错字，以图为准；点图可全屏放大。

本讲义目录 · 3 页
  1. 01RAG：让大模型拥有实时记忆和专业知…
  2. 02大模型的“知识截止日期”困境
  3. 03为什么“微调” 并非万能解药？
011 / 3
第 1 页
第 1 页

RAG：让大模型拥有实时记忆和专业知…

RAG：让大模型拥有实时记忆和专业知识

检索增强生成技术深度解析与实战指南

022 / 3
第 2 页：大模型的“知识截止日期”困境
第 2 页

大模型的“知识截止日期”困境

持续演变的真实世界

模型训练数据（截止于 2023 年）

  • 大语言模型（LLM）基于庞大 但静态的数据集进行训练，其 知识被“冻结”在训练完成的那 个时刻。
  • 它们无法获知任何私有的、专 有的或实时更新的信息，例如： 公司的内部规章、最新的产品 库存、今天的财经新闻。
  • 这导致了两个核心问题：一是 事实性错误或“幻觉”；二是对 特定领域或新知识的“一无所 知”。
033 / 3
第 3 页：为什么“微调” 并非万能解药？
第 3 页

为什么“微调” 并非万能解药？

Core Argument 微调擅长教会模型新的技能或对话风格，但在更新知识方面存 在明显短板。 “你想想，总不能说我进了一款衣服，就做微调，做微调。”

新衣服款式

高昂成本（High Cost）： 需要大量的标注据和昂贵的 GPU 算

力进行重复训练。

迟缓与僵化（Slow & Inflexible）： 无法为每一份更新的文档或每一条新数 据都重新训练模型。对于电商库存、企 业知识库这类动态信息，微调不切实际。

知识遗忘（Forgetting Risk）： 微调有时会损害摸型原有的通用能力。

昂贵的微调

重复过程（Repeat Process）

微调后的大模型

上一篇
大模型应用架构解析
下一篇
RAG和微调的应用场景

同模块推荐

资料里没有你的场景？

把你手上的数据和想解决的那个环节发上来，我们按具体情况回，不复述方法论。

发布需求