RAG 查询流程完整链路

文字描述用户提问 查询向量生成 文字变成字节数组Embedding模型[baai] 384维 / 768维 / 1024维 把用户问题通过 Embedding 模型转换成一个 384/768/1024 维的数字坐标让机器理解“意思” Qdrant 检索 Qdrant【向量空间距离余弦夹角算法 HNSW索引】找到类似的语义数据找到3~5个chunk 把这个数字坐标和数据库里所有文档 chunk 的坐标比较用 Cosine/HNSW 找出语义距离最近的几个 chunk 传递给语言大模型(LLM)得到答案流程图用户提问 | ↓ 文本预处理 | ↓ Embedding 模型BAAI 等 | ↓ 生成 Query Vector384/768/1024维 | ↓ Qdrant 向量检索 | ↓ Cosine Similarity HNSW 索引 | ↓ Top-K 文档 Chunk | ↓ 拼接 Prompt | ↓ LLM 大模型生成答案