【RAG知识库】AI产品经理RAG必备知识脑图

本文原创作者：姚瑞南 AI-agent 大模型运营专家/AI产品专家/音乐人/野生穿搭model，先后任职于美团、猎聘等中大厂AI训练专家和智能运营专家、AI产品经理岗；多年人工智能行业智能产品及运营、大模型落地经验，拥有AI外呼方向国家专利与PMP项目管理证书。（转载需经授权）

目录

一、产品经理需要理解的 RAG 全景图

二、产品层必须懂的 8 个核心概念

1️⃣ Embedding 是什么？

2️⃣ Chunk（切片）策略

3️⃣ Top-K 召回

4️⃣ 召回率 vs 准确率

5️⃣ 知识污染

6️⃣ 知识切片 vs FAQ结构

FAQ适合：

RAG适合：

7️⃣ 向量数据库（产品需要知道到什么程度？）

8️⃣ RAG 的三种优化方向

三、产品级 RAG 能力模型

四、面试高频问题怎么答？

Q：你用什么向量数据库？

Q：RAG最大问题是什么？

Q：什么时候不用RAG？

一、产品经理需要理解的 RAG 全景图

RAG = Retrieval + Augmented + Generation

核心流程只有三步：

1.  文档切片（Chunking）
2. 向量化（Embedding）
3. 相似度召回（Vector Search）

拼接上下文给大模型生成回答

你要理解的是机制，不是底层算法。

二、产品层必须懂的 8 个核心概念

1️⃣ Embedding 是什么？

本质：

把一段文本 → 转成一串数字向量

目的：

让“语义相似”可以用数学距离衡量。

产品理解版本：

不是关键词匹配

是语义匹配

可以跨表述方式召回

面试安全回答：

Embedding 本质是语义向量化，使文本在向量空间中可计算相似度，从而实现语义级检索。

2️⃣ Chunk（切片）策略

这是产品最关键的一块。

文档不能整篇丢进去。

常见切片方式：

 固定字数切片（比如500字）

按段落切片

按标题层级切片

语义切片 

产品要思考：

切太小 → 信息不完整

切太大 → 噪音多

是否需要重叠（overlap）

面试可说：

切片策略直接影响召回效果和上下文完整性，是RAG效果优化的核心环节之一。