什么是 RAG？先搞懂这个核心概念

RAG 是 检索增强生成 的缩写，它让 AI 模型在回答问题时，先去你的文档里找答案，而不是凭记忆瞎编。简单说，模型就像个学生，考试时允许翻书，翻到的内容就是你的数据，答案必须基于书上的话，不能自己编。这样能避免 AI 胡编乱造（也就是 幻觉）。

准备环境：装好 Python 和必要的库

首先，你需要在电脑上安装 Python（一种编程语言，RAG 系统常用它来写）。去 python.org 下载最新版，安装时记得勾选“Add Python to PATH”。

打开终端（Windows 用命令提示符，Mac/Linux 用终端），输入以下命令安装核心库：

• pip install langchain —— LangChain 是一个工具包，帮你轻松搭建 RAG 流程
• pip install chromadb —— ChromaDB 是向量数据库，用来存你的文档，方便快速查找
• pip install openai —— 如果你用 OpenAI 的模型，需要这个库来调用 API

常见坑：如果报错“pip 不是命令”，说明 Python 没加到 PATH，重装时勾选那个选项；或者直接输入 python -m pip install ...。

下载示例文档并建立索引

新建一个文件夹，里面放一个文本文件 knowledge.txt，写入一些简单内容，比如：

这是一份关于公司政策的文档。员工年假为 15 天。加班需要提前申请。

然后创建一个 Python 文件 rag_demo.py，写入以下代码：

1. 读取文档：with open('knowledge.txt') as f: text = f.read()
2. 把文档切分成小块：from langchain.text_splitter import RecursiveCharacterTextSplitter; splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50); chunks = splitter.split_text(text)
3. 生成向量并存入数据库：from langchain.embeddings import OpenAIEmbeddings; from langchain.vectorstores import Chroma; embeddings = OpenAIEmbeddings(); vectordb = Chroma.from_texts(chunks, embeddings)

注意：使用 OpenAI 的 embedding 需要 API 密钥，去 platform.openai.com 注册获取，然后设置环境变量 export OPENAI_API_KEY='你的密钥'（Windows 用 set）。

跑通第一个问答

接着上面的代码，写一个问答函数：

1. 检索相关文档：docs = vectordb.similarity_search('年假几天？')
2. 把问题和文档拼成提示词，发给模型：from langchain.llms import OpenAI; llm = OpenAI(); prompt = f'根据以下文档回答：{docs[0].page_content}\n问题：年假几天？'; answer = llm(prompt)
3. 打印答案：print(answer)

运行 python rag_demo.py，如果看到输出“年假为 15 天”，就成功了！

常见坑：如果报错关于 API 密钥，检查环境变量是否设对；如果检索到的文档不对，可能是 chunk 太小或 overlap 不够。

下一步：扩展你的 RAG 系统

现在你已经跑通了最基本的 RAG，可以尝试：

• 换用本地模型（比如 Ollama 或 llama.cpp），不依赖网络
• 处理更多文档格式（PDF、Word 等）
• 添加 重排序（reranking）提高检索准确率

记住，RAG 的关键是检索质量，模型反而是简单的部分。多调试你的文档切分和检索参数，系统才会越来越可靠。