整理检索增强生成（RAG）的完整链路，以及在实际问答机器人项目里遇到的问题。

代码仓库：github.com/Fuhai-Liang/Project 的 rag学习/ 目录。

什么是 RAG

RAG（Retrieval-Augmented Generation）在生成之前先做检索，把外部知识库中和问题最相关的内容作为上下文喂给 LLM，从而缓解幻觉、让回答有据可依。

一条完整的 RAG 链路

文档导入 → 解析/OCR → 分块 Chunk → Embedding 向量化 → 向量库索引
                                                          ↓
用户问题 → Query 向量化 → 相似度检索 Top-K → 拼接上下文 → LLM 生成 → 引用来源

向量库与 Embedding

  • 向量库：FAISS（本地高性能检索，适合离线部署）
  • Embedding：bge-small-zh-v1.5（中文小模型，本地可跑，适合对数据隐私敏感的场景）

评估指标

  • Recall@K：正确答案是否出现在前 K 个召回里
  • MRR：第一个相关结果排名的倒数均值
  • 命中率 / 证据覆盖：回答是否真正用到了检索到的证据

踩坑记录

（待补充：分块大小、重叠、相似度阈值、多文档去重、OCR 噪声等实际问题的处理经验。）

这一篇会持续更新，后续把真实项目里的坑逐个补上。