你是否遇到过这种情况向朋友提问他不查资料、不思考验证随口给出看似合理实则编造的答案。大模型也类似很多时候它不是“查询信息”而是“基于知识储备推测合理答案”这就是“大模型幻觉”产生的原因。那有没有办法让模型回答前先“查阅资料”呢今天介绍的RAG技术就能做到。RAG虽听起来高深核心却只有“检索”与“生成”即先检索、再生成也就是“检索增强生成”。为什么要用RAG先看一个本质问题传统大模型的局限。大模型LLM的知识来源是训练数据互联网语料和固定时间点有知识截止因此存在三个致命问题无法获取最新信息、无法访问私有数据如文档、数据库以及容易编造答案幻觉。RAG的核心思路可以一句话总结在模型回答问题之前先“查资料”再回答。也就是不直接让LLM“凭记忆回答”而是给它“开卷考试”回答也就更贴近实际。RAG到底是怎么工作的举个例子在一份上百页的文档中只有极少部分内容对用户有用。RAG技术会将这份文档切分为若干片段然后筛选出真正对用户有用的5个片段与用户的提问一同发送给大模型。这样大模型便只需处理这5个片段而非整个文档。但这只是一个简化的步骤为了更直观感受下面是我用Gemini生成的一个RAG架构图RAG本质上是一个三阶段流程数据准备离线阶段首先需要完成知识库的构建工作具体分为三个步骤Step1文档切分Chunking将长文本拆分为适合处理的小块常见方式包括按每段200~500字划分或按语义逻辑切分。比如这是因为大模型单次处理的上下文长度存在限制。Step2向量化Embedding将每个文本块转换为向量形式例如RAG可以提升回答准确性会被转化为[0.12, -0.98, …]这样的向量。其核心原理是语义相似的文本对应的向量距离更近。Step3存入向量数据库常用的向量数据库方案有FAISS本地部署、Milvus分布式系统和Chroma轻量级工具。完成这一步后就构建出了一个可高效搜索的知识库。检索阶段在线当用户提出问题时系统会执行以下操作Step1问题向量化将用户问题转换为向量形式Step2相似度搜索在向量数据库中查找最相关的Top-K文本块通常K取值为3或5。生成阶段LLM将检索到的内容与用户问题一同输入大模型格式示例如下已知信息[文档片段1]、[文档片段2]问题RAG的作用是什么请基于以上信息回答这一阶段的关键在于模型不再依赖记忆瞎猜而是基于检索到的证据进行回答。简易RAG实现为确保RAG测试的准确性我先让AI生成了一篇虚构文章随后将该文章输入RAG系统使其基于这篇文章回答相关问题。下面第一步文档切片我是按照制表符进行切分的这里是可以看到我们准备的文章被分成了很多片段第二步向量化加载一个中文预训练嵌入模型shibing624/text2vec-base-chinese将中文文本转换为数值变量并为所有段落生成嵌入向量这里首次加载模型可能得等几分钟。第三步存入向量数据库这一步就是把嵌入向量存入向量数据库到这在用户提问之前的数据准备工作就全部完成了。第四步向量检索将用户的问题生成对应语义向量根据向量相似度在向量数据库中进行检索。第五步重排序如果只使用向量检索可能会检索出很多相关片段但上下文窗口有限而且噪音也会污染模型所以需要进行重排序。一句话总结就是向量检索负责“找可能相关的”重排序负责“找最相关的”。第六步生成回答这里使用了Gemini的API Key将我们检索出的片段与用户问题一同输入大模型再通过制定Prompt引导模型生成答案。到这里我们的简易RAG系统就已全部实现了。完整优化后的代码及相关资料我已整理至公众号后台感兴趣的伙伴可在后台私信【简易RAG系统】领取。总结RAG本质上并非让模型变得更聪明而是让模型不再单纯依赖“记忆”而是学会“查资料”。若作类比LLM就像是“大脑”那么RAG则相当于为它配备了一套“搜索引擎 笔记系统”。未来的大模型应用不会是“单纯的模型能力竞争”而是“模型 数据 检索能力”的组合竞争。01什么是AI大模型应用开发工程师如果说AI大模型是蕴藏着巨大能量的“后台超级能力”那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。AI大模型应用开发工程师是基于AI大模型设计开发落地业务的应用工程师。这个职业的核心价值在于打破技术与用户之间的壁垒把普通人难以理解的算法逻辑、模型参数转化为人人都能轻松操作的产品形态。无论是日常写作时用到的AI文案生成器、修图软件里的智能美化功能还是办公场景中的自动记账工具、会议记录用的语音转文字APP这些看似简单的应用背后都是应用开发工程师在默默搭建技术与需求之间的桥梁。他们不追求创造全新的大模型而是专注于让已有的大模型“听懂”业务需求“学会”解决具体问题最终形成可落地、可使用的产品。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】02AI大模型应用开发工程师的核心职责需求分析与拆解是工作的起点也是确保开发不偏离方向的关键。应用开发工程师需要直接对接业务方深入理解其核心诉求——不仅要明确“要做什么”更要厘清“为什么要做”以及“做到什么程度算合格”。在此基础上他们会将模糊的业务需求拆解为具体的技术任务明确每个环节的执行标准并评估技术实现的可行性同时定义清晰的核心指标为后续开发、测试提供依据。这一步就像建筑前的图纸设计若出现偏差后续所有工作都可能白费。技术选型与适配是衔接需求与开发的核心环节。工程师需要根据业务场景的特点选择合适的基础大模型、开发框架和工具——不同的业务对模型的响应速度、精度、成本要求不同选型的合理性直接影响最终产品的表现。同时他们还要对行业相关数据进行预处理通过提示词工程优化模型输出或在必要时进行轻量化微调让基础模型更好地适配具体业务。此外设计合理的上下文管理规则确保模型理解连贯需求建立敏感信息过滤机制保障数据安全也是这一环节的重要内容。应用开发与对接则是将方案转化为产品的实操阶段。工程师会利用选定的开发框架构建应用的核心功能同时联动各类外部系统——比如将AI模型与企业现有的客户管理系统、数据存储系统打通确保数据流转顺畅。在这一过程中他们还需要配合设计团队打磨前端交互界面让技术功能以简洁易懂的方式呈现给用户实现从技术方案到产品形态的转化。测试与优化是保障产品质量的关键步骤。工程师会开展全面的功能测试找出并修复开发过程中出现的漏洞同时针对模型的响应速度、稳定性等性能指标进行优化。安全合规性也是测试的重点需要确保应用符合数据保护、隐私安全等相关规定。此外他们还会收集用户反馈通过调整模型参数、优化提示词等方式持续提升产品体验让应用更贴合用户实际使用需求。部署运维与迭代则贯穿产品的整个生命周期。工程师会通过云服务器或私有服务器将应用部署上线并实时监控运行状态及时处理突发故障确保应用稳定运行。随着业务需求的变化他们还需要对应用功能进行迭代更新同时编写完善的开发文档和使用手册为后续的维护和交接提供支持。03薪资情况与职业价值市场对这一职业的高度认可直接体现在薪资待遇上。据猎聘最新在招岗位数据显示AI大模型应用开发工程师的月薪最高可达60k。在AI技术加速落地的当下这种“技术业务”的复合型能力尤为稀缺让该职业成为当下极具吸引力的就业选择。AI大模型应用开发工程师是AI技术落地的关键桥梁。他们用专业能力将抽象的技术转化为具体的产品让大模型的价值真正渗透到各行各业。随着AI场景化应用的不断深化这一职业的重要性将更加凸显也必将吸引更多人才投身其中推动AI技术更好地服务于社会发展。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】