大模型应用开发第九讲：RAG（检索增强生成）流程：用户查询→检索→生成响应

大模型应用开发第九讲：RAG（检索增强生成）流程：用户查询→检索→生成响应

资料取自《大模型应用开发：动手做AI Agent 》。
查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

---

一、核心流程比喻（三明治制作法）

步骤	日常比喻	RAG具体操作
用户查询	客人点单（"要芝士火腿三明治"）	接收用户文本请求
检索	冰箱里找食材	在数据库查找相关文档/信息
生成响应	用食材制作三明治	结合检索信息生成自然语言回复

▲ 核心流程类比（整合资料3的RAG流程与资料5架构）3

---

二、详细操作步骤（《米其林食谱》应用案例）

1. 用户提出需求（顾客点餐）

问题示例：
用户："如何制作正宗的西班牙海鲜饭？"

技术解析：

• 问题转换成向量编码（类似标准化点餐单）
• 自动提取深层需求："正宗"="传统瓦伦西亚做法"（第8章3节需求解析）[5]

---

2. 数据检索阶段（智能冰箱选食材）

检索流程图：

flowchart TD
    A[用户问题] --> B[拆解关键词]
    B --> C[西班牙海鲜饭]
    B --> D[海鲜种类]
    B --> E[米类选择]
    C & D & E --> F[食谱数据库匹配]
    F --> G{TOP3候选方案}
    G --> H[方案1: 正宗地中海料理]
    G --> I[方案2: 米其林笔记]
    G --> J[方案3: 瓦伦西亚秘方]

▲ 检索流程优化（资料5的Pipeline流程）[5]

实际操作：
① 检索《米其林指南数据库》→"Spanish Paella"
② 过滤条件：评分>4.5星 + 标注"传统做法"
③ 返回核心段落：

• "必须使用Bomba米吸收高汤"
• "藏红花用量：每500克米0.5克"（资料3索引优化）[3]

⚠️ 防失误设计：

• 食材替代预警：检测到"藏红花缺失" → 推荐红甜椒粉替代方案（资料5异常处理章节）[5]

---

3. 信息增强生成（米其林厨房烹饪）

智能菜谱生成代码：

from llama_index.core import VectorStoreIndex

# 加载《世界食谱大全》知识库
documents = load_documents("./michelin_recipes")
index = VectorStoreIndex.from_documents(documents)

# 配置AI主厨（定制烹饪风格）
query_engine = index.as_query_engine(
   similarity_top_k=3,
   prompt_template="用家庭厨房可操作的语言解释专业步骤"  # 风格控制
)

# 执行烹饪任务
response = query_engine.query("西班牙海鲜饭的家常做法")

生成过程拆解：

1. 提示词拼接：

   参考以下米其林食谱：
   [片段1]《地中海风味》强调：米粒需呈金黄色...
   [片段2] 三星主厨TIP：海鲜最后5分钟加入防过老
   请用新手能看懂的语言输出步骤

2. 模型输出优化：

   基础版：平底锅铺米 → 倒入高汤 → 中火煮15分钟
   升级版：
     步骤1：用橄榄油煎香洋葱丁+蒜末（必备爆香步骤）
     步骤2：Bomba米下锅炒至透明（锁住米芯）
     步骤3：倒入鸡汤（汤米比例3：1关键！）

🔍 效果对比：

传统搜索引擎结果：
"需准备海鲜、米、藏红花..."

RAG增强结果：
2022年美食实验室关键数据：
"鸡汤温度保持80℃避免糊底（实验组失败率降低65%）
海鲜分层摆放：贝类埋入米中，虾类铺表面（热传导差异）"[1]

---

三、关键技术突破（厨房科技升级）

1. 语义保鲜技术

• 问题：菜谱更新滞后 → 去年推荐米种已停产

• 方案：建立动态索引（超市实时价签机制）

  # 每周自动更新索引
  index.refresh(urls=["最新米其林博客","当季食材报告"])（资料5数据管道）[5]

2. 多链式加工

查询类型	加工链条	案例
简单查询	检索→直接生成	"藏红花用量多少？"
复杂任务	检索→摘要→再检索	"法餐三道菜套餐设计"

▲ 链式优化流程（资料3分层架构图）[3]

3. 味觉反馈闭环

flowchart LR
    U[用户] -->|尝试食谱| F[评分/照片]
    F --> A{评分>4星?}
    A -->|是| B[加入优选库]
    A -->|否| C[触发人工复核]

▲ 持续优化机制（资料6的ReAct循环案例）[6]

---

四、故障排除（米其林质检台）

现象	本质问题	解决方案
检索到错误菜系	菜谱标签混乱	重建分类树+人工审核（资料3索引修复）[3]
生成步骤跳步	上下文窗口溢出	启用自动摘要模式（资料5压缩模块）[5]
忽略用户忌口要求	需求解析失效	添加过敏原检测模块（资料6提示词规则）[6]

---

五、技术架构图（米其林后厨系统）

flowchart TB
    subgraph 智能冷库
        A["经典食谱"] --> B["切块处理"]
        C["主厨视频"] -->|语音转文本| B
        D["用户UGC"] --> B
        B --> E["向量化存储"]
    end

    subgraph 服务台
        U["用户问'素食替代方案'"] --> F["语义检索"]
        F --> G{"匹配结果"}
        G -->|蛋奶素| H["奶酪蘑菇方案"]
        G -->|纯素| I["豆腐松露方案"]
        H & I --> J["模型生成步骤"]
        J --> K["带营养数据输出"]
    end

▲ 完整架构（整合资料3图3.7，资料5图5.2）3

---

六、商业应用案例

1. 连锁餐厅标准化

• 需求：50家分店统一海鲜饭出品

• RAG方案：

  1. 检索总部核心配方（藏红花浓度0.1‰）
  2. 自动适配本地条件（海边店增海鲜量，高海拔店延长烹饪时间）
• 效果：品控波动降低73%（资料2企业案例）[2]

2. 个人健康管理

用户："我有糖尿病怎么做提拉米苏？"
AI步骤：

1) 检索→医学指南：代糖选择赤藓糖醇（血糖指数0）
2) 检索→意餐大师：保持马斯卡彭奶酪绵密质感
3) 输出：
   材料替换：白砂糖→赤藓糖醇（比例1：1.3）
   关键步骤：奶酪隔水加热温度≤45℃（防代糖结晶）
（资料6决策引擎案例）[6]

关键资料索引：

• 索引动态更新 → 资料5“Pipeline数据管道”（《大模型应用开发：动手做AI Agent 》第5章2节）[5]
• 分层检索机制 → 资料3“多级索引系统”（《大模型应用开发：动手做AI Agent 》第3章4节）[3]
• 结果优化策略 → 资料6“生成控制模块”（《大模型应用开发：动手做AI Agent 》第8章3节）[6]
• 企业级架构 → 资料2“Agent服务化部署”（《大模型应用开发：动手做AI Agent 》第9章案例）[2]

---

目录：总目录
上篇文章：大模型应用开发第八讲：OpenAI API入门 基础聊天程序搭建步骤

---