跳到主要内容

理解 RAG 算法

什么是 RAG？​

RAG(Retrieval-Augmented Generation) 是指 AI 在生成答案时，先**检索(Retrieval)相关文档，再参考其内容来生成答案(Generation)**的技术。

简单来说，这就像 AI 参加"开卷考试"。它不是仅凭记忆中的知识作答，而是先查阅相关资料后再回答。

사용자 질문
    │
    ▼
① 검색 (Retrieval)
    "질문과 관련된 문서 조각을 찾아라"
    │
    ▼
② 컨텍스트 구성
    검색된 문서 조각들을 LLM에게 전달
    │
    ▼
③ 생성 (Generation)
    LLM이 문서를 참고하여 답변 생성
    │
    ▼
답변 (출처 포함)

PlantPulse RAG 流水线​

第1阶段：文档索引（预处理）​

将文档转换为 AI 可以检索的形式的过程。

원본 문서 (PDF · DOCX · PPTX · XLSX · MD · TXT)
    │
    ▼
┌─────────────────────────┐
│  Docling 파서            │
│  문서 → 텍스트 + 이미지   │
│  + 테이블 구조 추출       │
└────────────┬────────────┘
             │
             ▼
┌─────────────────────────┐
│  청킹 (Chunking)         │
│  긴 문서를 제목·문단 단위로│
│  적절한 크기로 분할        │
└────────────┬────────────┘
             │
             ▼
┌─────────────────────────┐
│  임베딩 (Embedding)       │
│  텍스트 → 2560차원 벡터   │
│  의미를 숫자 배열로 변환   │
└────────┬────────┬───────┘
         │        │
         ▼        ▼
    ┌────────┐ ┌────────┐
    │ Qdrant │ │ Neo4j  │
    │ 벡터DB │ │ 그래프  │
    └────────┘ └────────┘

什么是分块(Chunking)？​

如果对10页的手册整体进行检索，效率会很低。按合适的大小切分后，就能只找到精确的部分。

[원본 문서: 10페이지 매뉴얼]

    ↓ 청킹

[청크 1] 1장 개요 (제목 아래 문단들을 묶음)
[청크 2] 2장 점검 절차
[청크 3] 2장 표 · 그림 설명
...
文档切分方式
PDF · DOCX · PPTX · XLSX按标题和段落分组（每块目标约2,000个token）。表格·图片·公式单独提取，图片由 Aura 附加说明文字
MD · TXT按1,200个token为单位切分，并在边界处重叠100个token，以避免上下文被切断
该数值为引擎(LightRAG v1.5.7)的默认值

PlantPulse 安装时未单独指定块大小，因此直接使用引擎默认值。

什么是嵌入(Embedding)？​

将文本的语义转换为数字数组（向量）。语义相近的句子在向量空间中彼此靠近。

"펌프 베어링 교체 방법" → [0.12, -0.34, 0.56, ..., 0.78]  (2560차원)
"펌프 축수 정비 절차"   → [0.11, -0.33, 0.55, ..., 0.77]  ← 비슷한 벡터!
"오늘 날씨가 좋다"     → [0.89, 0.23, -0.67, ..., 0.12]  ← 다른 벡터

第2阶段：检索（Retrieval）​

当用户提出问题时，系统会查找相关的文档片段。PlantPulse 的 RAG 引擎(LightRAG)同时使用向量 检索与知识图谱。

向量检索（基于语义）​

用相同的嵌入模型将问题向量化，并在向量空间中寻找最接近的内容。

질문: "주입기 베어링 교체 주기는?"
    │
    ▼ 임베딩
질문 벡터: [0.13, -0.35, 0.54, ...]
    │
    ▼ 코사인 유사도 계산

문서 청크 A (점수 0.92): "주입기 베어링은 6개월마다 교체..."  ← 선택!
문서 청크 B (점수 0.85): "펌프 축수 정비 시 베어링 점검..."   ← 선택!
문서 청크 C (점수 0.31): "작업장 안전 수칙..."              ← 제외

优点： 能理解"更换周期" = "维护间隔"这样的语义相似性。

知识图谱检索（实体 · 关系）​

沿着索引时提取的实体（设备·部件·流程等）及其之间的关系进行追溯。

질문: "주입기 베어링 교체 주기는?"
    │
    ▼ 질문에서 키워드 추출
세부 키워드: ["주입기", "베어링"]      → 엔티티 쪽 (local)
상위 키워드: ["정비 주기", "교체"]      → 관계 쪽   (global)
    │
    ▼ 그래프 탐색
주입기 ─(구성품)─▶ 베어링 ─(정비)─▶ 6개월 교체 절차
    │
    ▼ 연결된 문서 조각을 모음

优点： 即使内容未完整记录于单一文档中，也能通过连接散落在多个文档中的关系来找到答案。

不存在单独的「关键词检索(BM25)」

旧文档曾将默认模式描述为「Dense + Sparse(BM25) 结合」，但所使用的引擎中并没有 BM25 这类稀疏（关键词）索引。像设备 ID 这样需要精确匹配的名称，会被提取为实体并纳入图谱来处理。

混合检索（PlantPulse 默认模式）​

hybrid 是将 local（以实体为中心）+ global（以关系为中心） 结合的方式，是 RAG 网关和聊天工具的 默认模式。它会同时考察设备·部件名称（实体）以及「什么影响了什么」（关系）。

第3阶段：重排序（Reranking）​

本版本未使用重排序器

重排序模型(aura-reranker-0.6b)虽然已部署在技术栈中，但 2026.09 版本的文档检索引擎尚未与之连接 （验证尚未完成，暂时关闭）。检索结果将按第2阶段的排序原样进入答案生成环节。

启用重排序器后，会将初始检索结果以问题–文档对的形式重新比较，按相关度重新排序。 这是用来捕捉检索阶段遗漏的细微相关性的步骤。

第4阶段：答案生成（Generation）​

将检索到的文档片段作为上下文传递给 LLM，以生成答案。

[시스템 프롬프트]
아래 문서를 참고하여 질문에 답하세요.

[검색된 문서]
문서 1: "주입기 베어링은 6개월마다 교체하며..."
문서 2: "교체 시 SKF 6205-2RS 규격을 사용..."

[사용자 질문]
주입기 베어링 교체 주기와 규격을 알려줘.

    ↓ LLM 생성

[답변]
주입기 베어링 교체 주기는 6개월이며, SKF 6205-2RS 규격을 사용합니다.
(출처: 정비 매뉴얼 3장)

四种检索模式对比​

模式工作方式适用场景
hybridlocal + global（同时结合图谱中的实体与关系）一般性文档检索（默认值，推荐）
naive仅使用文档片段的向量相似度 — 不使用图谱概念性问题（"什么是 OEE？"）
local以问题中出现的实体为中心确认特定设备·部件的详细内容
global以实体之间的关系为中心跨多份文档的综合信息

引擎中还有其他模式（如 mix 等），但 PlantPulse 的 RAG 网关仅支持上述四种。

知识图谱 RAG (Graph RAG)​

PlantPulse RAG 除了向量检索之外，还支持利用 Neo4j 知识图谱进行检索。

문서 인덱싱 시:
    텍스트 → 엔티티 추출 → 관계 추출 → Neo4j 그래프 저장

검색 시 (local · global · hybrid 모드):
    질문 → 관련 엔티티·관계 → 그래프 탐색 → 연결된 문서 청크

优点： 能够实现诸如"与注入器相关的所有维护手册"这样的基于关系的检索。

实体提取由 LLM 完成 — 这是索引耗时较长的原因

每个文档片段都会由 Aura 提取实体与关系。单个片段可能需要数分钟，若某个片段未能在规定 时间内完成，整份文档都会判定为失败 → 问题排查