我们先来看看 RAG 的数据处理与存储部分所涉及到的核心概念

在 RAG 里，数据处理与存储就是在搭建和维护一座“知识书架”。这一步的质量，决定了后续检索和生成的上限。流程大致分为：数据来源 → 解析清洗 → 切块与标注 → 向量化 → 存储与索引管理。

一、数据来源与预处理

1. Document Source（资料来源）

RAG 的起点是找到数据源。可能是 PDF 文件、网页内容、企业内部数据库、Markdown 笔记，甚至是 API 接口。数据源的多样性决定了后续解析和标准化的复杂度。

2. Ingestion Pipeline（数据采集与预处理流程）

数据不是一次性导入，而是经过一个流水线：采集 → 解析 → 清洗 → 切块 → 向量化 → 写入。
一个成熟的 pipeline 可以保证资料可持续更新，而不是“导一次就过时”。

3. Parsing（解析）

解析就是把文件变成干净的纯文本。

• • PDF → 去掉目录、页码、水印。
• • HTML → 提取正文、丢弃广告。

常用工具：pdfplumber、BeautifulSoup

4. Encoding Normalization（编码归一化）

统一成 UTF-8，避免乱码。例如 Windows 下的 GBK 文件若不转换，Embedding 可能直接报错。

5. Unit Normalization（单位归一化）

标准化度量单位，避免语义分歧：

• • “1k 元” → “1000 元”
• • “2 hrs” → “2 小时”

---

二、切块与标注

6. Tokenization（分词）

把文本拆成更小的 token（词或子词），是 Embedding 的前置步骤。

• • 中文需要分词算法（“自然语言处理” → [“自然语言”, “处理”]）。
• • 英文天然有空格，但现代模型常用 子词分解（“report” → [“re”, “port”]）。

分词的意义：降低复杂度、方便建模、提升检索精度。

7. Chunk（切块）

长文档直接处理会遇到：

• • 模型端问题：上下文长度有限、成本高、注意力退化。
• • 数据库端问题：检索粒度过粗、相似度失效、更新效率低。

所以必须把文档拆成更小的 chunk，才能在“模型”和“数据库”之间架桥。

8. Chunking Strategy（切块策略）

• • 定长切块：按 token 数固定切。
• • 结构感知切块：按标题/段落/表格边界。
• • 滑动窗口切块：相邻块重叠，避免语义被截断。

9. Overlap（重叠）

滑动窗口的关键参数。

• • 例如 500 token 的 chunk，保留 50 token 重叠。
• • 好处：避免信息“断裂”，提升召回准确率。
• • 工程实践：chunk = 300–500，overlap = 50–100。

10. Metadata（元数据）

每个 chunk 都会挂载“身份证”：来源文档、时间、部门、版本、权限标签等。

来源可分为：

• • 文档自带（文件名、路径、更新时间）。
• • 处理生成（chunk ID、页码、Embedding 版本）。
• • 算法抽取（关键词、NER 实体、分类标签）。

用途：

• • 检索过滤（按部门/版本筛选）。
• • 上下文增强（带有“住宿”标签的块优先匹配“差旅住宿”）。
• • 权限控制（多租户、ACL）。
• • 结果溯源（答案里的 [1] 对应哪份文件）。

11. Metadata Schema（元数据结构）

元数据必须统一格式，比如：source、timestamp、doc_type。否则过滤规则没法稳定运行。

12. Entity Extraction（实体抽取）

识别人名、地点、组织名，例如：“需提交登机牌” → 实体 = {登机牌}。

13. Keyword Extraction（关键词抽取）

提炼关键词，辅助检索。常用工具：KeyBERT、YAKE。

14. NER（命名实体识别）

NLP 的一个子任务，自动识别文本中的人名、地名、机构名等。

15. NLP（自然语言处理）

NLP = 让计算机理解人话的技术集合。
RAG 的很多环节（Parsing、NER、Embedding、Query Rewriting）本质上都在用 NLP 技术。

16. Stopword Removal（停用词移除）

去掉“的、是、在、and、the”等检索意义弱的词。

---

三、向量化

17. Embedding（向量化）

核心步骤：把文本转换成高维数字向量，例如 [0.12, 0.98, -0.45, ...]。

18. Embedding Model（向量模型）

生成向量的模型：

• • OpenAI Embedding API
• • BGE 系列（中文友好）
• • m3e（多语言支持）

19. Vector Dimension（向量维度）

向量长度。常见：384、768、1536。维度越高，表达力越强，但存储/检索成本更高。

20. Vector Normalization（向量归一化）

对向量做长度标准化，保证相似度计算更稳定。

---

四、存储与检索

21. Vector Database（向量数据库）

存储和检索向量的数据库，支持相似度搜索和元数据过滤。

• • Milvus：开源分布式，工业常用。
• • Weaviate：向量 + 知识图谱。
• • Pinecone：云服务，免运维。
• • Qdrant：Rust 实现，高性能。
• • pgvector：Postgres 扩展，易集成。

22. Elasticsearch / OpenSearch

搜索引擎，本质上做关键词检索，但扩展后可支持“关键词 + 向量混合”。

23. ANN（近似最近邻搜索）

大规模向量检索加速策略，找最相似的 Top-K。

• • Flat：逐一比对，最准最慢。
• • HNSW：基于图，精度高、延迟低。
• • IVF：聚类分桶，速度快但需调参。

---

五、索引管理

24. Index Rebuild（索引重建）

当 Embedding 模型升级或数据大规模变化时，需要重建索引。

25. Incremental Update（增量更新）

只对新增或修改的文档重建索引，避免全量重算。

26. Cold Start（冷启动）

系统刚上线时，首次建立索引，没有缓存和经验参数，性能可能不稳定。

---

总结

数据处理与存储，是 RAG 的 基建环节。

• • 从数据源到解析 → 文本干净、格式统一。
• • 切块与标注 → 提高检索粒度，保证上下文连贯。
• • 向量化 → 把语言转成计算机可计算的空间表示。
• • 存储与索引管理 → 让检索既快又稳。

换句话说，这一步决定了“书架”搭建得是否牢靠，直接影响后续 检索质量、生成可信度与系统可维护性。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发