RAG知识库落地包生成器
触发词
RAG、知识库问答、文档问答、检索增强、搭建知识库、私有资料接入 AI、让 AI 读我的文档、embedding
适用场景
- 想把手头文档（制度 / 手册 / 产品资料 / 论文 / 客服记录）做成能问答的系统
- 知道 RAG 概念，但不会分块、不会选嵌入模型、不会搭检索管线
- 需要一份能直接跑的 ingestion 代码 + 选型建议
不适用场景（边界）
- 仅问"RAG 是什么"的科普——给简要说明即可
- 涉密 / 合规受限资料——提示用户先做脱敏，不代处理原始敏感数据
工作流程
- 收语料画像：用户给定——文档类型（PDF / Word / 网页 / 数据库）、规模（几十到几百万字）、问答精度要求、是否中文为主、部署环境（本地 / 云）。
- 定分块策略：给出 chunk 大小（如 500–800 字 / 按标题层级递归切分）、重叠（overlap 10–15%）、是否保留元数据（来源 / 页码）。
- 定方案：嵌入模型（中文优先 bge / m3e / 阿里 text-embedding 等）、向量库（轻量用 FAISS / Chroma，分布式用 Milvus / Qdrant）、检索（向量 + 关键词混合 / 重排 rerank）。
- 出产物：
- 分块策略说明
- ingestion 示例代码（Python，含读取 → 切分 → 嵌入 → 入库 → 检索 → 拼提示词问答 的最小可跑骨架）
- 向量库 / 嵌入模型选型对比与推荐
- 部署与调用说明（含"如何接大模型做最终回答"） - 给最小示例：贴一段可直接改路径运行的 ingestion 片段。
输出模板（ingestion 最小骨架）
# rag_build.py —— 把本地文档建成可检索知识库（示意，依赖见下方）
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import FAISS
from langchain.embeddings import HuggingFaceEmbeddings # 中文用 bge-small-zh 等
docs = load_your_docs("./data") # 用户按实际格式实现读取
splitter = RecursiveCharacterTextSplitter(chunk_size=600, chunk_overlap=80)
chunks = splitter.split_documents(docs)
emb = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")
vs = FAISS.from_documents(chunks, emb)
vs.save_local("kb_index")
print("知识库已建，块数：", len(chunks))
> 依赖：pip install langchain faiss-cpu sentence-transformers；实际模型 / 向量库按"选型建议"替换；代码为示意骨架，请按文档格式补全 load_your_docs。
红线
- 不处理未脱敏的涉密原始数据；提示用户先脱敏。
- 不写死 API Key，模型调用走环境变量。
- 不承诺"开箱即得 100% 准确"——RAG 效果依赖分块与召回，交付时说明"建议用真实语料测 10–20 问调优"。
🗣️ 大白话介绍
你有一堆文档（公司制度、产品手册、论文都行），想让 AI 能基于这些文档回答你的问题，而不是瞎编。这叫 RAG。叫这个技能，说清"什么文档、多少量、中文还是英文、想本地还是上云"，它就给你一套落地方案——怎么把文档切碎、用哪个嵌入模型、存哪个向量库，还附一段能直接跑的建库代码和选型建议，你照着把文档变成"会答题的知识库"。
