LLM 与 RAG 应用

这是 guide/ai/ 分类下的示例文章，用于占位与写作模板。直接替换正文即可。

背景

RAG（Retrieval-Augmented Generation）通过检索外部知识增强大模型回答，缓解幻觉与知识时效问题。

基础架构

flowchart LR
  Q[用户提问] --> R[向量检索 Retriever]
  R --> K[(知识库向量)]
  R --> C[上下文拼接]
  C --> L[LLM 生成]
  L --> A[答案]

关键代码片段

# 伪代码：检索 + 生成
context = retriever.search(query, top_k=5)
prompt = build_prompt(query, context)
answer = llm.generate(prompt)

实践建议

建议

切分（chunk）粒度与向量模型选择直接决定召回质量；上线前务必做 评测集（eval）。

待补充

• [ ] 向量库选型（Milvus / pgvector）
• [ ] 效果评测指标与回归测试