1. 什么是 RAG？请画出其典型架构图并解释其核心流程。RAG（Retrieval-Augmented Generation，检索增强生成）是一种将外部知识库与大型语言模型（LLM）相结合的技术框架，旨在解决 LLM 自身知识陈旧、容易产生幻觉以及无法接触私有知识等问题。其核心思想是：当用户提出问题时，不直接让 LLM 回答，而是先从一个外部知识库（如文档、数据库、网页等）中检索出与问题最相关的信息片段，然后将这些信息片段连同原始问题一起作为上下文，提供给 LLM，让其基于给定的信息进行回答。工程动因：RAG 框架通过“先查后说”，有效地将 LLM 的强大语言能力与外部知识库的准确性和实时性结合起来，是企业级 AI 应用落地最主流、最可靠的架构之一。2. 在 RAG 中，文本切分（Chunking）有哪些常用策略？选择不同策略时需要考虑什么？文本切分（Chunking）是 RAG 流程中至关重要的一步，它直接影响到后续检索的精准度和生成的效果。好的切分策略应该在保证语义完整性和控制块大小之间取得平衡。常用切分策略：固定长度切分（Fixed-size Chunking）、递归字符切分（Recursive Character Text Splitter）、语义切分（Semantic Chunking）、基于文档结构切分（e.g., Markdown, HTML）。选择策略时的考量因素：文档类型、检索任务的性质、Embedding 模型的能力、计算成本与性能。工程实践：没有一种“万能”的切分策略。通常从递归字符切分开始，并根据实际的检索效果进行调整。一个常见的优化是“小-大”结合策略：使用较小的 Chunk 进行检索以提高精度，但在检索到这些小 Chunk 后，将它们在原始文档中前后扩展，以包含更完整的上下文信息再送给 LLM。