在RAG的数据准备阶段主要包括以下哪几项？

在RAG（Retrieval-Augmented Generation）系统中，数据准备阶段是构建高效检索模块的基础环节，其目标是将原始非结构化或半结构化数据转化为可供向量检索引擎使用的结构化、可索引形式。该阶段具有明确的流程性与依赖性，各缺一不可。以下逐项解析：\n\nA：数据提取 \n正确。这是数据准备的起始步骤，指从各类异构数据源（如PDF、Word、网页、数据库、API等）中识别并抽取原始文本内容。需处理格式解析、编码识别、元数据提取、噪声过滤（如页眉页脚、广告、JavaScript代码）等问题。若提取不完整或失真，后续所有环节质量均会受损。\n\nB：文本分割 \n正确。原始提取的文本通常过长，超出大语言模型上下文窗口或影响检索粒度与精度。文本分割（chunking）将长文本切分为语义相对完整、长度可控的片段（chunks），常见策略包括按字符数、标点、段落、句子或语义边界（如使用LLM进行智能分块）。分割质量直接影响检索的相关性与生成答案的准确性。\n\nC：向量化 \n正确。即对每个文本块（chunk）调用嵌入模型（embedding model，如text-embedding-ada-002、bge系列、m3e等）生成固定维度的稠密向量表示。该过程将离散文本映射至连续向量空间，使语义相似的文本在空间中距离更近，从而支撑后续的近似最近邻（ANN）检索。向量化是连接文本语义与向量检索的核心桥梁。\n\nD：数据入库 \n正确。指将向量化后的文本块及其对应向量、元数据（如来源文件、页码、标题等）持久化存储至向量数据库（如Milvus、Pinecone、Weaviate、Qdrant、Chroma等）或支持向量检索的混合数据库中，并建立索引（如HNSW、IVF、Annoy等）。入库后系统方可执行低延迟、高并发的向量相似性检索。\n\n综上，A→B→C→D构成RAG数据准备阶段的标准技术流水线：数据提取保障输入来源完整性，文本分割优化语义单元粒度，向量化实现语义表征，数据入库完成可检索结构化存储。四者逻辑连贯、环环相扣，共同决定RAG系统的召回质量与响应性能。因此，ABCD均为该阶段的必要组成部分。