RAG 与知识库

RAG 知识库从 0 到 1 的工程实践

记录一次基于文档切分、Embedding、向量检索、重排和大模型问答的完整 RAG 实践。

• AI
• RAG
• Embedding
• VectorDB
• LangChain

背景

很多 AI 应用的第一步不是训练模型，而是让模型能够可靠地使用私有知识。RAG 的价值在于把外部知识检索和大模型生成连接起来，让回答既有上下文，也能保留引用来源。

目标

这次实践的目标是做出一个可以回答 Markdown 笔记内容的问题系统，并且支持来源引用、检索结果检查和 Prompt 迭代。

技术方案

整体链路分为五步：

1. 文档清洗：去掉无效空行、私人信息和临时链接。
2. 文档切分：按标题层级和语义段落切块。
3. 向量化：使用 Embedding 模型生成向量。
4. 检索与重排：先召回候选块，再按相关性重排。
5. 答案生成：把问题、上下文和约束输入大模型。

实现过程

切分策略不能只看固定长度。对技术笔记来说，标题、代码块和列表常常代表语义边界。比较稳妥的做法是先按 Markdown 结构切，再对超长段落做二次切分。

遇到的问题

最常见的问题是召回内容看起来相关，但不足以回答问题。这时单纯调 Prompt 效果有限，更应该检查切分粒度、Embedding 模型、召回数量和重排策略。

结果

系统可以对指定笔记集合进行问答，并返回引用片段。对于事实型问题，引用来源能明显降低幻觉；对于总结型问题，答案质量主要依赖笔记本身的结构化程度。

复盘

RAG 工程里最容易被低估的是评估。后续应补充一组固定问题集，记录每次调整切分、召回和 Prompt 后的命中率与答案质量变化。

Reusable projects

关联可复用项目

本文已经进入以下工程项目；项目页提供固定版本、运行命令和结果工件。

• 问题背景

  RAG 检索与 Agentic 工作流评测台

  已独立复现

  本文梳理文档处理、召回、重排和答案生成主链路；本项目把其中检索与决策部分收紧为可重放评测合同。

  核验：2026/07/18公开入口 project-kits/rag-knowledge-base/README.md固定源码

讨论

正在加载评论...