交互式 RAG 检索增强生成可视化实验室
RAG
可视化实验室
从文档分块到向量检索，从重排序到生成引用，把 RAG 的每一步都拆成你能看见的零件。对标 LangChain RAG / LlamaIndex / RAGFlow 架构。
8
可视化模块
25+
交互参数
LangChain
对标框架
0
外部依赖
01
RAG 全流程架构
Query → Embed → Retrieve → Rerank → Generate。用户提问经过 Embedding 后在向量库中检索 Top-K，重排序后组装上下文，最终由 LLM 生成带引用的回答。
02
文档分块策略
Fixed-size 固定大小、Sentence 句子分割、Semantic 语义分块三种策略对比。分块大小直接影响检索精度。
03
Embedding 嵌入空间
文本如何变为向量。Token → Embedding 向量 → 高维空间中的点。相似文本在空间中距离更近。
04
向量检索算法
Brute-Force 暴力搜索、IVF 倒排索引、HNSW 层级导航小世界图三种检索算法对比。
05
重排序 (Reranking)
Bi-Encoder 双塔召回 vs Cross-Encoder 交叉编码精排。两阶段检索：先快召回 Top-K，再精排 Top-N。
06
上下文窗口管理
Token 预算分配：System Prompt + Retrieved Context + User Query + Response。上下文顺序影响生成质量。
07
生成与引用
LLM 如何利用检索到的上下文生成回答，并标注信息来源。Citation 引用链路可视化。
08
RAG 评估指标
Faithfulness 忠实度、Answer Relevance 答案相关性、Context Precision 上下文精确度、Context Recall 上下文召回率。RAGAS 框架核心指标。