1、技术选型

组件	推荐方案	说明
文本嵌入模型	sentence-transformers/all-MiniLM-L6-v2	轻量级且效果较好的开源模型
向量数据库	FAISS	高效的本地向量检索库
大语言模型	GPT-3.5/开源LLM（如ChatGLM3）	根据资源选择云端或本地模型
文档处理框架	LangChain	简化RAG流程开发

2、环境准备

# 安装核心依赖
pip install langchain sentence-transformers faiss-cpu unstructured python-dotx

3、 RAG 核心流程

1、文档准备

• 在docs/目录存放知识文档（支持.txt/.md/.pdf等格式）
• 示例文档内容：

特斯拉2023年Q1交付量42.3万辆，Q2交付46.6万辆，Q3交付43.5万辆，Q4交付48.45万辆。

2、索引（Indexing）

将数据预处理并存储为向量。

3、检索生成（Retrieval & Generation）：

根据查询检索相关上下文，生成回答。

---

4、 索引实现步骤

a. 加载文档

• 使用 TextLoader 加载文本文件：

  from langchain_community.document_loaders import TextLoader  
  loader = TextLoader("introduction.txt")  
  docs = loader.load()  
  

b. 拆分文本

• 使用 RecursiveCharacterTextSplitter 按块拆分：

  from langchain.text_splitter import RecursiveCharacterTextSplitter  
  text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)  
  splits = text_splitter.split_documents(docs)  
  

c. 向量化与存储

• 初始化 Chroma 向量数据库，使用 OpenAI Embedding：

  from langchain_chroma import Chroma  
  from langchain_openai import OpenAIEmbeddings  
  vectorstore = Chroma(  collection_name="ai_learning",  embedding_function=OpenAIEmbeddings(),  persist_directory="vectordb"  
  )  
  vectorstore.add_documents(splits)  
  

---

5、 检索生成实现步骤

a. 构建 Retriever

• 从向量库创建检索器：

  retriever = vectorstore.as_retriever(search_type="similarity")  
  

b. 提示词模板

• 定义系统提示词，指导模型结合上下文生成答案：

  from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder  
  prompt = ChatPromptTemplate.from_messages([  ("system", """  You are an assistant for question-answering tasks.  Use the retrieved context to answer. If unsure, say you don't know.  Keep answers concise (≤3 sentences).  Context: {context}  """),  MessagesPlaceholder(variable_name="history"),  ("human", "{question}")  
  ])  
  

c. 组装处理链

• 将检索、上下文格式化、提示词和大模型串联：

  from operator import itemgetter  
  from langchain_core.runnables import RunnablePassthrough  
  context = itemgetter("question") | retriever | format_docs  
  first_step = RunnablePassthrough.assign(context=context)  
  chain = first_step | prompt | trimmer | model  # model为ChatOpenAI实例  
  

---

6、 核心组件与概念

• DocumentLoader：加载文本、数据库、网页等数据源。
• TextSplitter：按语义或结构拆分文档（如代码、普通文本）。
• VectorStore：统一接口支持多种向量数据库（Chroma、Pinecone等）。
• Retriever：抽象检索逻辑，支持向量搜索、关键词匹配等。
• 提示词工程：通过模板控制生成逻辑，平衡上下文与简洁性。

---

7、 关键代码片段

• 格式化检索结果：

  def format_docs(docs):  return "\n\n".join(doc.page_content for doc in docs)  
  

• 动态历史会话管理：

  store = {}  
  def get_session_history(session_id: str) -> BaseChatMessageHistory:  if session_id not in store:  store[session_id] = InMemoryChatMessageHistory()  return store[session_id]  
  

---

8、总结亮点

• 降本增效：Chroma 无需额外服务，本地持久化降低部署成本。
• 灵活扩展：通过替换 DocumentLoader、VectorStore 适配不同数据源。
• 工业级实践：结合 MMR 算法优化检索多样性，控制 Token 消耗。
• 实战价值：可直接复用代码构建知识库问答、客服机器人等场景。