RAG(Retrieval Augmented Generation)

检索增强生成 (RAG) 是一种 AI 框架，它结合了传统的信息检索系统（如搜索引擎或数据库）与大型语言模型（LLMs）的生成能力。

RAG 的核心思想是：

1. 检索 (Retrieval): 当用户提出问题时，首先从一个外部的、权威的知识库中检索出与问题最相关的几段信息（上下文）。
2. 增强 (Augmented): 将检索到的这些信息作为额外的上下文，与用户原始的问题一起，“增强” LLM 的输入。
3. 生成 (Generation): LLM 在这个增强的上下文中生成回答。

RAG优势

• 减少幻觉 (Hallucinations): LLM 倾向于“编造”不存在的事实。RAG 通过提供真实、可靠的外部信息，大大降低了 LLM 产生不准确或虚假信息的可能性。
• 知识时效性：LLM 的训练数据是静态的。RAG 允许你使用最新的数据（例如，你 MySQL 数据库中每天更新的课程信息），而无需重新训练或微调 LLM。
• 特定领域知识：LLM 可能对你的公司内部数据、特定行业的术语或小众知识了解甚少。RAG 使 LLM 能够回答这些特定领域的问题。
• 可追溯性/可解释性： 由于回答是基于检索到的文档生成的，你可以很容易地提供引用来源 (source_documents)，让用户知道答案来自哪里，增加了透明度和信任度。
• 成本效益：与耗时且昂贵的 LLM 微调相比，RAG 通常是更经济高效的解决方案。你只需更新向量数据库即可。

RAG实战

AI课程规划+课程ID

课程ID对应数据库中的, 这些数值AI是不能识别的, 需要增强之后输出。

环境准备

这里用到的包有很多, 主要有这些:

• streamlit
• langchain
• langchain-core
• pymysql
• faiss-cpu

我目前用到的库, 可以选择性复制:

aiohappyeyeballs==2.6.1aiohttp==3.11.13aiosignal==1.3.2altair==5.5.0annotated-types==0.7.0anyio==4.8.0attrs==25.1.0blinker==1.9.0cachetools==5.5.2certifi==2025.1.31charset-normalizer==3.4.1click==8.1.8dashscope==1.22.2dataclasses-json==0.6.7distro==1.9.0frozenlist==1.5.0gitdb==4.0.12GitPython==3.1.44greenlet==3.1.1h11==0.14.0httpcore==1.0.7httpx==0.28.1httpx-sse==0.4.0idna==3.10Jinja2==3.1.6jiter==0.9.0jsonpatch==1.33jsonpointer==3.0.0jsonschema==4.23.0jsonschema-specifications==2024.10.1langchain==0.3.20langchain-community==0.3.19langchain-core==0.3.45langchain-deepseek==0.1.2langchain-openai==0.3.8langchain-text-splitters==0.3.6langsmith==0.3.15MarkupSafe==3.0.2marshmallow==3.26.1multidict==6.1.0mypy-extensions==1.0.0narwhals==1.30.0numpy==2.2.3openai==1.66.3orjson==3.10.15packaging==24.2pandas==2.2.3pillow==11.1.0propcache==0.3.0protobuf==5.29.3pyarrow==19.0.1pydantic==2.10.6pydantic-settings==2.8.1pydantic_core==2.27.2pydeck==0.9.1python-dateutil==2.9.0.post0python-dotenv==1.0.1pytz==2025.1PyYAML==6.0.2referencing==0.36.2regex==2024.11.6requests==2.32.3requests-toolbelt==1.0.0rpds-py==0.23.1six==1.17.0smmap==5.0.2sniffio==1.3.1SQLAlchemy==2.0.39streamlit==1.43.1tenacity==9.0.0tiktoken==0.9.0toml==0.10.2tornado==6.4.2tqdm==4.67.1typing-inspect==0.9.0typing_extensions==4.12.2tzdata==2025.1urllib3==2.3.0watchdog==6.0.0websocket-client==1.8.0yarl==1.18.3zstandard==0.23.0PyMySQL==1.1.1faiss-cpu==1.11.0

当前这里也需要有api-key, 这个langchain框架大部分都支持的。

分步处理

• 外部知识库(mysql)

# src.api.useCourse.pyimport reimport pymysqlimport pandas as pdfrom langchain_core.documents import Documentdef fetch_and_preprocess_data(table_name, course_name, course_id):    print("开始查询数据...")    # 建立连接    conn = pymysql.connect(        host='****',        user='****',        password='****',        database='****'    )        try:        with conn.cursor() as cursor:             # 查询数据            query = f"SELECT {course_name}, {course_id} FROM {table_name} LIMIT 20"            cursor.execute(query)            data = cursor.fetchall()            print("查询结果：")            print(data)            df = pd.DataFrame(data, columns=['course_name', 'course_id'])        # 文本预处理函数        def preprocess_text(text):            ifnot isinstance(text, str):                return""            text = re.sub(r'<.*?>', '', text)       # 去除HTML标签            text = re.sub(r'\s+', ' ', text).strip() # 压缩空白符            return text        df['cleaned_text'] = df[course_name].apply(preprocess_text)        print("✅ 数据预处理完成。")        # df.to_csv('data.csv', index=False)        return df    except Exception as e:        print(f"❌ 查询或预处理MySQL数据失败: {e}")        return pd.DataFrame()    finally:        if conn:            conn.close()def getMysqlDocuments():    # 示例：从 'tb_course' 表中提取 'course_name' 字段    mysql_data_df = fetch_and_preprocess_data('tb_course', 'course_name', 'id')    ifnot mysql_data_df.empty:      documents = []      for index, row in mysql_data_df.iterrows():          # 确保文本和ID有效          if pd.notna(row['cleaned_text']) and row['cleaned_text'].strip() and pd.notna(row['course_id']):              doc = Document(                  page_content=row['cleaned_text'],                  metadata={                      "course_id": str(row['course_id']), # 建议将ID转换为字符串                      "original_content": row['course_name'] # 存储原始内容，方便后续追溯                  }              )              documents.append(doc)      if documents:          print(f"✅ 成功构建 {len(documents)} 个 LangChain Document 对象。")          print("\n第一个 Document 示例：")          print(documents[0])      else:          print("⚠️ 没有有效的 Document 对象可供处理。")      return documents

• 检索组件(embedding)

1. 加载mysql或者CSV文件

# load-file.pyfrom langchain_community.document_loaders import PyPDFLoader, Docx2txtLoaderfrom frontend.components.sidebar import check_csv_in_folderimport streamlit as stfrom src.api.useCourse import getMysqlDocumentsdef load_file():  all_docs = []  load_files = check_csv_in_folder()  mysql_docs = getMysqlDocuments()  print(load_files)if len(load_files) == 0 :    st.warning("未检测到上传文件")else:    for file in load_files:      file_path = f"/data/raw/{file}"      # 加载 PDF 文件      pdf_loader = PyPDFLoader(file_path)      pdf_docs = pdf_loader.load()      all_docs = all_docs + pdf_docs# 合并所有文档return all_docs + mysql_docs

1. 数据清洗

# transform-file.pyfrom src.model_manage.load_file import load_filefrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain_core.documents import Document# 过滤和清洗def clean_text(doc):    # 示例：移除多余的空格和换行符    cleaned_content = doc.page_content.replace("\n", " ").strip()    # 保留原始元数据（可选）    return Document(page_content=cleaned_content, metadata=doc.metadata)# 文本转换def transform_data():    # 加载文件    docs = load_file()    if docs isNone:        returnNone    # 分块处理    text_splitter = RecursiveCharacterTextSplitter(        chunk_size=500,   # 每块文本的最大长度        chunk_overlap=50, # 块之间的重叠长度        length_function=len    )    split_docs = text_splitter.split_documents(docs)    # 清洗文本    cleaned_docs = [clean_text(doc) for doc in split_docs]    return cleaned_docs

1. 向量化处理

# embedding.pyfrom langchain_community.embeddings import DashScopeEmbeddingsfrom langchain_community.vectorstores import FAISSfrom src.model_manage.transform_file import transform_data"""  向量化文本数据  @author: petter"""def embedding_data():  cleaned_docs = transform_data()if cleaned_docs isNone:    returnNone# 向量化文本  embeddings = DashScopeEmbeddings(      model="text-embedding-v2",  )# 生成向量数据库  vector_db = FAISS.from_documents(cleaned_docs, embeddings)# 保存到本地（可选）  vector_db.save_local("faiss_index")return vector_db

• 增强/上下文注入

import streamlit as stfrom langchain.chains import RetrievalQAfrom langchain_core.prompts import ChatPromptTemplatefrom langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandlerfrom langchain_core.runnables import RunnableLambdafrom operator import itemgetterfrom src.model_manage.embedding import embedding_datavector_db = embedding_data()# 模型初始化# --------------------------@st.cache_resourcedef get_model():    """初始化并缓存DeepSeek模型"""    qa_chain = RetrievalQA.from_chain_type(      llm = 大模型名称,      chain_type="stuff", # 上下文检索      retriever=vector_db.as_retriever(            search_type="similarity",            search_kwargs={"k": 3} # 检索最相似的 3 个文档      ),      return_source_documents=True,    )    return qa_chain

• 生成组件

def generate_stream_response(prompt):    """生成流式响应内容"""    model = get_model()    # 流式响应数据增强    final_chain = model | RunnableLambda(postprocess_ai_response)    chain = final_chain.invoke({        "query": prompt    })    try:        for chunk in chain:            yield chunk    except Exception as e:        yield f"⚠️ 请求失败：{str(e)}"

• 响应内容增强

# 处理AI的回答, 添加自定义信息def postprocess_ai_response(input_dict: dict) -> str:    ai_response = input_dict["result"] # AI的回答    source_documents = input_dict.get("source_documents", []) # 检索到的源文档    custom_info = ""    related_course_ids = set()    if source_documents:        for doc in source_documents:            course_id = doc.metadata.get("course_id")            if course_id:                related_course_ids.add(course_id)                if related_course_ids:            custom_info = f"\n\n--- 本次回答引用了以下课程ID：{', '.join(sorted(list(related_course_ids)))} ---"            final_output = f"{ai_response}{custom_info}"    return final_output

室内课程规划

到这里, RAG核心功能代码已经全部完成了, 至于页面效果, 需要做些调整, ⛽️⛽️

其实这里增强的只有课程ID, 客户端便可以根据课程ID,查询出相对应的课程详情, 展示对应课程或者计划或者其他的方式呈现给用户, 这里相当API

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！