别找了！最全的 RAG 整体结构解析，把这套架构彻底讲透，建议收藏！

既然更新，说明咖哥今年（2026年）又要开始放大招了。——新书（Agent架构相关的）3月份即将问世——（大作）敬请期待！

这篇文章复习一下RAG。《RAG实战课》问世半年，销量有增无减，口碑逐渐积累。看来，朋友们正逐渐意识到这本书的真正价值。

我个人观点，这本书精华中的精华，不在于技术总结的全，不在于语言轻松，而是书封底的那张体系框架图。是真的提纲挈领，真的深入浅出。

这张图，佳哥真是用心了

今天这一篇，我不讲案例、不讲代码、不讲某个框架的用法。

我只做一件事：

把这张图，从“看起来复杂”，讲到“你知道它为什么必须长这样”。

先说一句狠话

如果你觉得 RAG 是：

向量库 + Embedding
检索几段文本 + 丢给 LLM
能跑就行

那你现在看到的大多数 RAG 系统，在规模一上来时，都会失效。

不是模型不行，是结构没搭完。

而这张图，讲的就是：

一个 RAG 系统，从“能用”，到“可扩展、可评估、可演化”，到底需要哪些结构层。

第一层：数据不是从“文本”开始的

很多人一上来就聊向量库，其实顺序是反的。

真正的起点在最底部：数据导入与文本分块。

你会看到这里不是一句“切 chunk”，而是：

按字符 / 句子 / 语义的分块策略
父子文档索引
分层索引（RAPTOR）
多表示索引

为什么？

因为检索失败，80% 不是检索算法的问题，是切块阶段就已经丢信息了。

如果你在这一层没有“结构意识”，

后面所有高级技巧，都是在补锅。

第二层：Embedding 从来不是一个模型的问题

中间这一大块，是很多人最容易误解的地方。

Embedding 不是只有一个向量。

你会看到：

稠密向量（OpenAI / bge / jina）
稀疏向量（TF-IDF / BM25）
专用嵌入（Fine-Tuning / ColBERT）

为什么要这么复杂？

因为现实世界的检索，本来就不是一个相似度空间。

关键词、语义、领域信号，本来就不在同一个空间里。

真正可用的系统，一定是混合表示。

第三层：索引与向量库只是“物理层”

很多人把 FAISS、Milvus、HNSW 当成核心。

但在这张图里，它们被刻意画得很“靠后”。

因为它们解决的只是一个问题：

怎么快。

而不是：

怎么对。

索引策略（父子、分层、多表示），

远比你选哪种向量库重要。

第四层：真正开始像「系统」的地方——查询侧

图左上角，是整个系统的灵魂。

你会看到四件事同时出现：

查询构建
查询优化
查询路由
HyDE / 主动检索

这一步意味着什么？

意味着系统已经不再是：

“用户问一句，我搜一遍”。

而是：

系统开始“理解该怎么问世界”。

第五层：检索后处理，决定答案质量上限

中间偏右那一块，是很多 Demo 系统里完全没有的东西。

重排（Rerank / Cross-Encoder / ColBERT）
压缩（相关性 + 冗余控制）
校正（CRAG）
主动补查

这一层解决的是：

不是有没有搜到，而是“哪些值得被看见”。

如果没有这一层，

你永远会觉得：

“有点对，但总差点意思”。

第六层：生成不只是“丢给模型”

右下角的生成部分，我刻意没有画成一个大脑就结束。

你会看到：

提示工程
结构化输出（Pydantic / JSON Schema）
工具调用
Self-RAG / RRR
主动再检索

这意味着一件事：

生成，本身也是一个可以被设计、被反思的过程。

第七层：评估，是系统是否“工程化”的分水岭

最右侧那一列，是很多人最不想做、但最重要的。

Precision / Recall / F1
MRR / MAP
BLEU / ROUGE / METEOR
忠实度 / 安全性

有没有这一列，决定了：

你是在做 Demo，
还是在做系统。

那这张图，到底是什么？

它不是教程目录。

也不是技术大全。

它是一张工程演化图。

它回答的不是：“你现在该用什么技术”，

而是：“一个 RAG 系统，迟早会走到哪些结构层”。

好的，祝大家阅读愉快，我们过俩月新书（Agent设计相关）发布会见！！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。