给 AI 接上你的业务数据：RAG 检索增强生成落地四步走

通用大模型再强，也不知道你公司的产品手册、客服记录、内部规范。把私有知识「喂」给它的标准做法叫 RAG（检索增强生成）：先检索相关资料，再把资料塞进提示词，让模型基于资料作答。

整套流程四步，下面逐一拆。

一、文档切分：别一刀切

• 固定 500 字硬切最容易把一句话拦腰截断，召回时上下文残缺；
• 优先按标题/段落语义切，chunk 之间留 overlap（重叠区），避免边界信息丢失；
• 表格、代码块单独处理，别和普通段落混切。

二、向量化：选 embedding + 向量库

用 embedding 模型把每段文字变成向量，存进向量库（轻量用 pgvector，规模大用 Milvus / 专用向量引擎）。这一步决定「能不能找到」。

三、检索：召回 + 重排

先用向量召回 top-k 候选，再用轻量 rerank 模型对候选重排序，把最相关的顶上去。检索质量直接决定回答上限——召回错了，生成再好也白搭。

四、生成：把上下文喂给大模型

把检索到的片段拼进提示词，并明确要求「仅依据资料作答、资料没有就说未知」，用引用约束来压幻觉。最小实现：

# 最小 RAG 检索+生成（伪代码，模型调用走统一接入层）
chunks = split_document(doc, size=512, overlap=64)   # 1. 切分
vectors = embed(chunks)                              # 2. 向量化
index.add(vectors, chunks)

query_vec = embed(user_question)
hits = index.search(query_vec, top_k=5)              # 3. 检索（可加 rerank）
context = "
---
".join(h["text"] for h in hits)

prompt = f"""仅根据以下资料回答，资料中没有就答「未知」：
{context}
问题：{user_question}"""
answer = llm.call(prompt)                            # 4. 生成（引文约束防幻觉）

五、三个最常见的坑

• 切分粒度：太粗召回噪声大，太细语义碎，靠业务文档试出来最准；
• 检索质量：先优化检索再怪模型，多数「答非所问」其实是没召回对；
• 幻觉：靠「引文约束 + 显式未知」缓解，关键场景人工复核。

代码里那句 llm.call，背后就是模型接入层。想少管密钥、自由换模型，见 《多模型统一接入层实战》；近期模型能力对比可看 《9 月大模型混战》。

搭 RAG 不需要从零对接每家模型。在 拓瑞智能 trui88.com 一把 API Key 调通 GPT-6、Claude、DeepSeek，embedding 和生成模型一个后台统一切换，按用量计费。注册即送体验额度，先拿一份产品手册跑通再说。

分享短链

复制链接