RAG 是什么
RAG 即Retrieval-Augmented Generation，检索增强生成，是一种 结合“检索”与“生成”的大语言模型应用架构：
Retrieval（检索）：从一个文档库中检索与用户问题相关的内容
Augmented Generation（增强生成）：将检索到的内容与用户问题一起输入给大语言模型（如 GPT），生成更准确、上下文丰富的回答
向量数据库是干什么的
向量数据库（如 FAISS、Milvus、Pinecone、Weaviate）是专门设计用来 存储和高效搜索高维向量表示 的数据库。你可以把它理解为：
文本（或图像、音频） → 通过嵌入模型（embedding model） → 转换为向量
向量 → 存入向量数据库
用户问题 → 同样转成向量 → 用于在向量数据库中做相似度检索（通常是余弦相似度或欧氏距离）
RAG 和向量数据库的关系
RAG 的 “R”（检索）部分，常常是通过向量数据库来实现的。
具体流程如下：
知识预处理：
文档被切片（chunking），每一小段文本都被转换为向量（embedding）；
向量存入向量数据库中。
用户提问时：
问题也被转换为向量；
向量数据库进行相似向量检索，返回相关文档片段。
结果增强生成：
将检索结果 + 用户问题 → 送入大语言模型生成回答。
图示理解（简化版）
举个例子
你构建一个“公司内部文档问答系统”：
你用向量数据库（如 Milvus）保存所有员工手册、财报、技术文档的 embedding；
用户问：“我们2023年的销售目标是多少？”
系统会把这个问题嵌入为向量，然后在向量数据库中找出相似的文档段落；
再由大模型（如 GPT-4）生成结合上下文的回答。
