https://x7peeps.com/tags/RAG/index.htmlHugozh-CNFri, 03 Jul 2026 07:21:56 +0000https://x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E6%8A%80%E6%9C%AF%E6%A0%88%E5%85%A8%E6%99%AF%E4%BB%8E%E7%B4%A2%E5%BC%95%E5%88%B0%E6%A3%80%E7%B4%A2%E5%88%B0%E7%94%9F%E6%88%90%E7%9A%84%E5%AE%8C%E6%95%B4%E9%93%BE%E8%B7%AF/index.htmlFri, 03 Jul 2026 07:21:56 +0000https://x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E6%8A%80%E6%9C%AF%E6%A0%88%E5%85%A8%E6%99%AF%E4%BB%8E%E7%B4%A2%E5%BC%95%E5%88%B0%E6%A3%80%E7%B4%A2%E5%88%B0%E7%94%9F%E6%88%90%E7%9A%84%E5%AE%8C%E6%95%B4%E9%93%BE%E8%B7%AF/index.htmlRAG 技术栈全景：从索引到检索到生成的完整链路 检索增强生成（Retrieval-Augmented Generation，RAG）已成为将大语言模型应用于企业级知识密集型场景的主流范式。不同于直接依赖模型参数记忆知识的微调路线，RAG 通过在推理时动态检索外部知识源，将最新的、领域特定的信息注入生成过程，从根本上改变了 LLM 的知识获取方式。https://x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E9%AB%98%E7%BA%A7%E4%BC%98%E5%8C%96%E6%B7%B7%E5%90%88%E6%A3%80%E7%B4%A2%E9%87%8D%E6%8E%92%E5%BA%8F%E6%9F%A5%E8%AF%A2%E6%94%B9%E5%86%99%E4%B8%8E%E8%AF%84%E6%B5%8B%E9%97%AD%E7%8E%AF/index.htmlFri, 03 Jul 2026 07:21:56 +0000https://x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E9%AB%98%E7%BA%A7%E4%BC%98%E5%8C%96%E6%B7%B7%E5%90%88%E6%A3%80%E7%B4%A2%E9%87%8D%E6%8E%92%E5%BA%8F%E6%9F%A5%E8%AF%A2%E6%94%B9%E5%86%99%E4%B8%8E%E8%AF%84%E6%B5%8B%E9%97%AD%E7%8E%AF/index.html一、Naive RAG 的局限性 多数团队在搭建 RAG 系统时，第一版往往采用"向量检索 + LLM 生成"的最简架构。这种 Naive RAG 在 Demo 阶段效果尚可，一旦部署到生产环境，便会暴露出一系列系统性缺陷。