准备环境：你需要装什么

在开始之前，先了解两个核心概念：

• LLM（大语言模型）：能理解和生成文字的 AI 模型，比如 ChatGPT 背后的技术。
• RAG（检索增强生成）：让 LLM 先从外部资料库中查找相关信息，再根据这些信息生成回答，避免“瞎编”。

你需要安装以下工具：

1. Python 3.8 或更高版本（从 python.org 下载，安装时勾选“Add Python to PATH”）。
2. pip（Python 的包管理器，一般随 Python 自动安装）。
3. 文本编辑器（推荐 VS Code 或 Notepad++）。

常见坑：安装 Python 后，在终端输入 python --version 确认版本；如果提示找不到命令，请重新安装并勾选“Add to PATH”。

安装步骤：一行命令搞定核心库

打开终端（Windows 用 cmd 或 PowerShell，Mac/Linux 用 Terminal），执行以下命令安装 RAG 所需的主要库：

• pip install langchain chromadb openai

解释一下：

• LangChain：一个帮你搭建 AI 应用的框架，简化了调用 LLM 和操作数据的流程。
• ChromaDB：一个轻量级的向量数据库，用来存储和检索文本片段。
• OpenAI：这里指 OpenAI 的 Python 库，用于调用 GPT 模型（需要 API Key）。

常见坑：如果安装速度慢，可以试试 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple langchain chromadb openai 使用清华镜像。

验证是否成功：跑通第一个 RAG 示例

新建一个 Python 文件（比如 test_rag.py），粘贴以下代码：

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter
from langchain.llms import OpenAI
from langchain.chains import RetrievalQA

# 1. 准备一段示例文本
text = "人工智能（AI）是计算机科学的一个分支，致力于创造能够模拟人类智能的系统。"

# 2. 将文本切分成小块
text_splitter = CharacterTextSplitter(chunk_size=50, chunk_overlap=0)
texts = text_splitter.split_text(text)

# 3. 生成嵌入并存入 ChromaDB
embeddings = OpenAIEmbeddings(openai_api_key="你的API密钥")
docsearch = Chroma.from_texts(texts, embeddings)

# 4. 创建检索问答链
qa = RetrievalQA.from_chain_type(llm=OpenAI(openai_api_key="你的API密钥"), chain_type="stuff", retriever=docsearch.as_retriever())

# 5. 提问并打印答案
query = "什么是人工智能？"
print(qa.run(query))

运行代码：在终端输入 python test_rag.py。如果输出类似“人工智能是计算机科学的一个分支……”的句子，说明成功了！

常见坑：需要提前申请 OpenAI API Key（访问 platform.openai.com 注册并创建密钥），代码中替换“你的API密钥”。

下一步可以做什么

• 替换为自己的文档：用 langchain.document_loaders 加载 PDF、TXT 等文件。
• 尝试不同的 LLM：比如使用本地模型（如 llama.cpp）代替 OpenAI。
• 优化检索效果：调整 chunk_size 和 chunk_overlap 参数。

恭喜你，已经迈出了 RAG 实战的第一步！