RAG的核心组成部分有哪些？

RAG 的核心组成部分如下：

1. 检索模块（Retriever）

• 查询编码器（Query Encoder）：将用户输入的查询转换为向量表示，使用与文档索引相同的嵌入模型，确保查询与文档在统一的向量空间中可比
• 向量数据库（Vector Database）：存储预先处理后的文档向量表示，支持高效的语义相似度搜索，常用系统包括腾讯云向量数据库、FAISS、Milvus、Pinecone、Weaviate、Qdrant、Chroma 以及 pgvector 等
• 检索算法：结合向量搜索（语义相似度）与关键词搜索（如BM25算法），通过混合检索提升召回率；许多RAG系统还引入重排序模型（Reranker）对检索结果进行二次精排

2. 生成模块（Generator）

• 大语言模型（LLM）：接收用户查询与检索到的相关上下文，生成自然语言响应；常用模型包括 GPT-5.2、Gemini 3 、Claude 4.7、Qwen 、混元等
• 提示词组装器（Prompt Assembler）：将检索到的相关文本片段与原始查询组织成结构化的提示词，为生成模型提供充分的上下文信息
• 输出后处理：对生成结果进行过滤、格式化、引用标注等处理，确保输出的可信度和可用性

3. 知识库与数据处理模块

• 数据摄取（Ingestion）：从多种来源（PDF文档、网页、数据库、API等）收集原始数据，支持结构化与非结构化数据
• 文本分块（Chunking）：将长文档分割为适当大小的文本片段，常用策略包括固定长度分块、递归字符分块、语义分块等，分块质量直接影响检索效果
• 嵌入模型（Embedding Model）：将文本转换为高维向量表示，常用模型包括 text-embedding-4-large、text-embedding-3-large、EmbeddingGemma-300M、text-embedding-005、voyage-3.5、embed-v4.0、Qwen3-Embedding、BGE-M3、Nomic Embed Text V2 等
• 索引构建（Indexing）：将文本块的向量表示存储在向量数据库中，建立高效的检索索引（如HNSW、IVF等算法）