。
大语言模型（LLM）在自然语言处理和自然语言理解方面取得了重大突破。大模型与应用场景的结合有助于可以在降低成本的同时提高效率。在具体场景的落地中，通用领域的大模型缺乏具体的领域知识，需要对其进行微调，这将消耗大量的计算资源。
当前，检索增强生成（RAG）作为大语言应用的一种模式，可以将大语言模型强大的理解能力和领域知识相结合，可以提高模型准确性和效率。
什么是 RAGRAG是 “Retrieval-Augmented Generation” 的缩写，直译过来叫做“检索增强生成”。
首先我们把大模型想象成一个学识丰富的老师，当学生向老师问了一个很冷门的问题时，老师可能也不知道答案，就不太好回答或者回答不了。而 RAG 则是相当于这题我不会，但是我有“小抄”，我回答的时候，就看一眼小抄，然后再综合我脑子里的已有知识，进行回答。
RAG，不是训练，不改变大模型的“脑回路”，但可以作为外挂，提升大模型回答问题的精准性。 适用于企业自身积累了大量知识库文档，通过RAG的方式，与大模型关联。
这样，大模型在回答问题的时候，会先检索知识库，进行精准回答。
RAG 主要流程分为两步：
1.从知识库中检索出和问题相关的内容； 2.将相关的知识拼接到 prompt 中，让 LLM 基于相关知识和用户问题进行回答。
以下是一个 RAG prompt 示例：
你是一名资深的商家助理，专注解答用户开店时遇到的问题。请基于 '---' 之间的相关参考内容对用户的问题进行回答。
相关参考内容：
---
1. 在亚马逊商城开店的第一步是创建一个卖家账户。中国大陆、中国香港和中国台湾的卖家需要提供下列文件。
为了顺利完成整个流程，请在开始之前收集所有必需材料。您可以随时停止和继续完成注册流程，只需使用您选择的注册电子邮件地址和密码保存进度即可。
如果您在注册过程中遇到问题，请点击注册页面上的“获得支持”以获得帮助。
注册清单：
1. 以下企业文件的彩色扫描件：
对于中国大陆的公司： 公司营业执照（不接受个体工商户营业执照）
对于中国香港的公司： 公司注册证书和商业登记条例
---
用户问题：中国商家在亚马逊开店需要什么资料？
注意以下要求：
1. 在回答时，尽可能参考原文
2. 若无法提供回答，请回复联系人工客服
由于 RAG 的可解释性、不依赖模型微调、能适应多样化的应用需求等优点，市面上存在着诸多以 RAG 为核心的解决方案，主要包括框架和应用两类：
• 框架类：主要提供面向开发者的SDK。用户需要自行对接不同的模型资源，构建自己的应用流程。自定义程度高，但具备一定的上手难度。相关框架如langchain、LlamaIndex、promptflow 等 • 应用类：开箱即用，大多是2C的类知识助手应用，一般流程为用户上传文档（知识库），然后可以基于知识库进行端到端的问答（通常，不同的应用的内置问答流程有在关键环节有一些区别，比如召回策略、是否使用 Agent等）。相关应用如 dify、有道 QAnything、字节 Coze 等。
作为一名前端开发，优先采用了以 Nodejs 为核心的技术栈：
• Nodejs 18 • Langchain.js • LLM model: DeepSeek-R1:7B
技术方案设计如下，采用组件化思想打包各个模块，方便后续模块的扩展：
本地成功执行：
结语
目前我只是简单尝试了 RAG 流程，相比微调，RAG 的入门门槛会低很多，且效果还挺不错。大部分企业想要应用 AI，RAG 是一个很好的方向，低成本高 ROI。
