从零搭建 RAG 知识库：让 AI 记住你的私有数据

什么是 RAG？为什么需要它？

大语言模型很强大，但它有一个致命缺陷：记不住你的私有数据。

你问它公司内部文档、个人笔记、专业领域知识，它要么一脸懵逼，要么一本正经地胡说八道。

RAG（Retrieval-Augmented Generation，检索增强生成）就是解决方案。简单说：先检索，再生成。

核心流程：

1. 把你的文档切分成小块 2. 用 Embedding 模型转成向量存入向量数据库 3. 用户提问时，先检索相关内容 4. 把检索结果喂给大模型生成答案

环境准备

需要安装以下工具：

# 向量数据库（轻量级，适合入门）
pip install chromadb
# Embedding 模型
pip install sentence-transformers
# 大模型调用
pip install openai

硬件要求不高，普通笔记本就能跑。如果用本地 Embedding 模型，建议有 8GB 以上内存。

第一步：文档处理

先把你的文档切成小块。为什么？因为大模型上下文有限，一次性塞太多会超。

from langchain.text_splitter import RecursiveCharacterTextSplitter
def split_document(text, chunk_size=500, overlap=50):
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=chunk_size,
        chunk_overlap=overlap,
        separators=["\n\n", "\n", "。", "！", "？", "；"]
    )
    return splitter.split_text(text)
# 示例
with open("my_doc.txt", "r") as f:
    chunks = split_document(f.read())
    print(f"切分成 {len(chunks)} 个片段")

chunk_size 是每个片段的最大字符数，overlap 是片段之间的重叠部分。重叠很重要，保证语义完整性。

第二步：向量化存储

把文本片段转成向量，存入向量数据库。

import chromadb
from chromadb.utils import embedding_functions
# 初始化向量数据库
client = chromadb.PersistentClient(path="./chromadb")
# 使用本地 Embedding 模型（中文友好）
embedding_fn = embedding_functions.SentenceTransformerEmbeddingFunction(
    model_name="shibing624/text2vec-base-chinese"
)
collection = client.get_or_create_collection(
    name="my_knowledge",
    embedding_function=embedding_fn
)
# 批量添加文档
def add_documents(chunks, metadatas=None):
    ids = [f"doc_{i}" for i in range(len(chunks))]
    collection.add(
        documents=chunks,
        ids=ids,
        metadatas=metadatas
    )
add_documents(chunks)
print("知识库构建完成！")

ChromaDB 是轻量级选择，生产环境可以用 Milvus、Pinecone、Weaviate 等专业方案。

第三步：检索增强生成

现在可以提问了。

from openai import OpenAI
client = OpenAI(base_url="你的API地址", api_key="your-key")
def rag_query(question, top_k=3):
    # 1. 检索相关内容
    results = collection.query(
        query_texts=[question],
        n_results=top_k
    )
    
    context = "\n\n".join(results["documents"][0])
    
    # 2. 构建提示词
    prompt = f"""基于以下知识回答问题。如果知识中没有相关信息，请诚实说明。
知识内容：
{context}
问题：{question}
回答："""
    
    # 3. 调用大模型生成
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}]
    )
    
    return response.choices[0].message.content
# 测试
answer = rag_query("我的文档里有什么重要内容？")
print(answer)

关键优化技巧

1. 文档切分策略

不要无脑按字符切。更好的方式：

• 按段落/章节切分：保持语义完整
• 添加元数据：来源、标题、时间
• 父子索引：小块检索，大块喂给模型

2. 混合检索

纯向量检索可能漏掉精确匹配。混合检索 = 向量检索 + 关键词检索。

# ChromaDB 支持全文搜索
collection = client.get_or_create_collection(
    name="hybrid_search",
    embedding_function=embedding_fn,
    metadata={"hnsw:space": "cosine"}
)

3. 重排序

检索结果不一定是最相关的，用重排序模型优化。

from sentence_transformers import CrossEncoder
reranker = CrossEncoder('BAAI/bge-reranker-base')
def rerank(query, docs, top_k=3):
    pairs = [[query, doc] for doc in docs]
    scores = reranker.predict(pairs)
    ranked = sorted(zip(docs, scores), key=lambda x: x[1], reverse=True)
    return [doc for doc, score in ranked[:top_k]]

4. 提示词工程

让模型"知道"自己在回答什么：

你是专业的知识库助手。
请严格基于提供的知识回答，不要编造。
如果知识不足，明确告知用户需要补充哪些信息。
回答要结构化，使用列表和标题。

常见坑和解决方案

进阶方向

搭建完基础 RAG 后，可以探索：

• GraphRAG：用知识图谱增强
• 多模态 RAG：图片、表格也能检索
• Agent + RAG：让 AI 主动调用知识库
• 流式更新：实时同步新文档

总结

RAG 本质上是给大模型装了一个"外挂大脑"。

核心三步：切分 - 向量化 - 检索生成。

入门用 ChromaDB + text2vec-base-chinese 就够了，性能和效果都还不错。生产环境再考虑 Milvus、Pinecone 等方案。

有问题欢迎留言讨论！

本文链接：https://www.kkkliao.cn/?id=683 转载需授权！