本文首先拆解传统搜索基于倒排索引的底层机制帮大家理解传统搜索的局限性随后详解RAG技术的核心逻辑——如何通过Embedding模型将文本转化为高维语义向量利用向量距离衡量语义相似度结合主流向量数据库实现精准知识检索最后聚焦LightRAG开源实现从知识索引构建、4种检索策略Local、Global、Hybrid、Naive到结合检索结果生成精准回答每一步都搭配实操示例小白也能轻松看懂、快速上手。1、 传统搜索在RAG技术普及之前我们日常使用的搜索引擎如百度、谷歌基础检索、文档检索工具核心都依赖「倒排索引」机制这也是小白入门检索技术必须掌握的基础知识点。1.1 倒排索引倒排索引英语Inverted index也常被称为反向索引、置入档案或反向档案是一种索引方法被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。倒排索引是Term到DocID的映射。1.2 搜索语句示例Lucene针对某个字段进行搜索样例title:hello world就意味着搜索title为hello或者包含title关键字的文档伪代码形如doc.title contains hello OR doc.title contains world假定“hello”- [1, 5, 8]“world”- [5, 8, 10, 12]然后搜索引擎对2个doc ID集合的求并集并对所有文档进行打分选出分数最高的前N个文档。2、 RAGRAG (检索增强生成) 是一种人工智能技术它结合了信息检索和生成式模型的功能以提高生成文本的准确性和相关性。 RAG 先从外部知识库中检索相关信息然后结合这些信息使用生成式模型生成更准确、更有上下文相关的文本。提到RAG需要先聊一聊Embedding models2.1 Embedding models2.1.1 高维向量表征文本嵌入式模型可以把一段文本转换为纯数值的高维向量通过嵌入模型(如bge-m3)将文本转换为1024维的数值向量这个向量包含了文本的语义特征curl--locationhttp://192.168.100.2:21434/api/embed\--headerContent-Type: application/json\--data{ model: bge-m3:latest, input: 这个故事的主题是什么? }2.1.2 向量距离反映语义相似度当两个向量在向量空间中的距离越近通常用余弦相似度或欧氏距离衡量 说明它们对应的文本在语义上越相似例如猫和猫咪的向量会比猫和汽车的向量更接近高维向量可以使用专门的向量数据库存储和检索。2.1.3 常见向量数据库一览名称是否开源社区影响力编程语言核心特性Pinecone否未知向量存储与检索全托管weaviate是13.7k starGo同时支持向量与对象的存储、支持向量检索与结构化过滤、具备主流模式成熟的使用案例。高速、灵活不仅仅具备向量检索还会支持推荐、总结等能力qdrant是24.3k starRust向量存储与检索、云原生、分布式、支持过滤、丰富的数据类型、WAL日志写入milvus是35.6k starGo极高的检索性能: 万亿矢量数据集的毫秒级搜索非结构化数据的极简管理丰富的API跨平台实时搜索和分析可靠;具有很高的容灾与故障转移能力高度可拓展与弹性支持混合检索统一的Lambda架构社区支持、行业认可Chroma是20.7k starPython轻量、内存级3、lightRAG 实现https://github.com/HKUDS/LightRAG“talk is cheap show me the code” – Linus Torvalds这一部分将介绍一个开源的RAG实现LightRAG。RAG通常被用来构建知识库 萌叔将从使用和细节上2方面来介绍LightRAG。对代码有兴趣的读者也可也阅读参考资料4.深度解析比微软的GraphRAG简洁很多的LightRAG一看就懂LightRAG可以使用下面的命令直接启动lightrag-server此服务其实包含1API服务器 2WebUIAPI详情见 http://localhost:9621/webui/#/由于是知识库那么必然我们需要先创建知识库为知识库添加知识3.1 提交文件针对知识构建索引提交的文件会被异步任务处理。step1: 把文件切分成chunk默认情况(函数chunking_by_token_size)文件会被按照固定的token size切割成chunk, 为防止某些entity出现在chunk的交界处chunk会有一定的重叠。step2: 将chunkprompt提交给大语言模型进行知识抽取从上图可以看到从chunk中抽取了实体和关系, 为了存储实体和关系引入了向量数据库和图数据库LightRAG 默认使用的向量数据库是 Nano Vector默认使用的图数据库是 NetworkX。step2使用大语言模型有一定的开销。萌叔测试官方的示例book.txt188K花费大约2元人民币。3.2 检索知识结合知识使用大模型生成对应的回答。① 针对用户的的查询语句生成高阶和低阶的关键词下面是某个查询得到的关键词2025-05-0918:58:42,458 - lightrag - DEBUG - High-level keywords:[Character analysis,Literature,Social themes]2025-05-0918:58:42,459 - lightrag - DEBUG - Low-level keywords:[Bob Cratchit,A Christmas Carol,Charles Dickens,Scrooge,Victorian era]② 根据查询类型从向量数据库和图数据库中提取数据下面是不同查询类型提取的数据差异# localINFO: Local query uses10entites,127relations,3chunks# globalINFO: Global query uses11entites,10relations,3chunks# hybridINFO: Local query uses10entites,127relations,3chunks INFO: Global query uses12entites,10relations,3chunksLocal search针对的是节点以及与节点相关的边包含节点、边对应的实际数据Global search针对的是边包含边对应的实际数据Hybrid search同时包含Local search和Global search的结果Naive search只使用原始的chunk有个重要的参数topK用于控制entity或者relation的数量③ 根据检索到的数据和提示词生成合适的回答3、 总结透过RAG技术我们可以清晰地看到大语言模型如何颠覆传统的信息检索和知识问答领域通过结合检索与生成的优势实现了更准确、更智能的知识获取与内容生成。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✅ 2025 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