Skip to main content

retrieval

心智模型​

检索（Retrieval） 通过在查询时动态获取相关外部知识，解决了 LLM 上下文有限和知识静态的两大局限。它是 RAG 的基础，通过文档加载、分块、嵌入、向量存储和检索器这一标准管道，实现从“搜索”到“用外部信息增强生成”的跨越。

二级标题及内容​

  • 【构建知识库】Building a knowledge base 若已有现成数据库或文档系统，可直接作为工具或查询后提供上下文，无需重建。LangChain 提供文档加载器、向量存储等工具用于自建知识库。

  • 【检索管道】Retrieval pipeline 包含文档源 → 加载 → 分块 → 嵌入 → 存入向量库的一整套模块化处理流程。

  • 【RAG 架构】RAG architectures 三种主要架构：

    • 2 步 RAG：检索总是先生成，简单快速，延迟可预测，控制力强。适用于 FAQ、文档机器人。
    • Agentic RAG：LLM Agent 自行推理并决定何时、如何检索，灵活性高但延迟可变。适用于有多工具的研究助手。其核心是提供能获取外部知识的工具。
    • Hybrid RAG：结合两者特点，增加查询增强、检索验证、答案验证等中间步骤，在质量控制和灵活性间取得平衡。适用于需验证或迭代优化的场景。

最佳实践​

  • 优先复用现有知识库：若已有数据库或内部文档系统，应直接作为工具或用其查询结果，而不是用 LangChain 重建。
  • 按需选择架构：简单明确的问答用 2 步 RAG（快且可控），需要多步推理和探索用 Agentic RAG（灵活），对质量有严格要求的用 Hybrid RAG（带验证）。
  • Agentic RAG 的关键是工具：Agent 只需访问一个能获取外部知识的工具（如文档加载器、网络请求工具），即可实现 RAG 行为。
  • 预加载上下文：Agentic RAG 中可在系统提示中预先置入可用文档索引（如 llms.txt），让 Agent 知道哪些资源存在，再按需调用工具获取详情。

RAG 的使用场景围绕一个核心需求：让 LLM 能够基于外部实时、私有或海量的知识来回答问题，而非仅依赖训练数据中的记忆。

与微调/持续预训练的区别：微调适合教模型特定格式或风格，但不适合频繁更新的知识。RAG 适合需要实时、可溯源、海量外部知识的场景，两者可以互补。