本文介绍了如何使用RAG技术构建智能问答系统，让AI基于你的私有文档内容进行精准问答。文章详细讲解了环境准备、知识库文件准备、完整代码实现及代码详解，帮助读者快速掌握RAG技术，解决传统大模型问答的知识过时、胡说八道和无法个性化等痛点，实现实时检索、精准回答和私有化，提升AI应用的安全性及准确性。

---

📝 引言

大家好，今天要分享一个非常实用的技术——RAG（检索增强生成）智能问答系统。看完这篇文章，你将学会如何让AI基于你自己的文档内容，精准回答相关问题！

先看效果：

用户问题：Python中列表和元组有什么区别？
模型回答：列表是可变的，元组是不可变的
置信度：0.98

🤔 为什么要用RAG？

传统的大模型问答存在几个痛点：

• ❌ 知识过时：模型训练数据截止到某个时间点
• ❌ 胡说八道：对不知道的问题会编造答案
• ❌ 无法个性化：不知道你的私有数据

RAG技术完美解决这些问题：

• ✅ 实时检索：从你的知识库中找到相关文档
• ✅ 精准回答：基于真实文档生成答案
• ✅ 私有化：所有数据都在本地，安全可控

🛠️ 环境准备

安装必要的库

pip install langchain langchain-community chromadb transformers sentence-transformers

📥 下载必要的AI模型

本系统需要两个模型，必须提前下载到本地：

模型1：嵌入模型（all-MiniLM-L6-v2）

模型2：问答模型（distilbert-base-uncased-distilled-squad）

项目结构

rag_project/
├── data/
│   └── programming_faq.txt    # 你的知识库文件
└── rag_qa.py                   # 主程序

📁 准备知识库文件

首先，创建一个知识库文件 data/programming_faq.txt：

Python中列表和元组的区别是什么？列表是可变的，元组是不可变的。列表用方括号[]定义，元组用圆括号()定义。
什么是装饰器？装饰器是Python中用于修改函数或类行为的函数。它接受一个函数作为参数，并返回一个新函数。
Python的GIL是什么？全局解释器锁，它确保任何时候只有一个线程执行Python字节码。
如何优化Python代码性能？使用列表推导式代替循环，使用生成器处理大数据，避免不必要的属性查找。

💻 完整代码实现

下面是完整的RAG问答系统代码，每行都有详细注释：

import os
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
from transformers import pipeline
# 1. 加载文档
print("📚 步骤1：加载文档...")
loader = TextLoader(
r"D:\study\codes\data\programming_faq.txt",
encoding='utf-8'  # 重要：指定UTF-8编码，避免中文乱码
)
documentation = loader.load()
print(f"✅ 加载文档完成，长度：{len(documentation[0].page_content)} 字符")
# 2. 分割文档
print("\n✂️ 步骤2：分割文档...")
text_splitter = CharacterTextSplitter(
chunk_size=128,      # 每个文档块的大小
chunk_overlap=0      # 块之间的重叠字符数
)
documentation = text_splitter.split_documents(documentation)
print(f"✅ 文档分割完成，共 {len(documentation)} 个片段")
# 3. 创建向量数据库
print("\n🗄️ 步骤3：创建向量数据库...")
embeddings = HuggingFaceEmbeddings(
model_name="D:/software/bigmodel/all-MiniLM-L6-v2",  # 本地嵌入模型
model_kwargs={"device": "cpu"},                      # 使用CPU运行
encode_kwargs={"normalize_embeddings": True}         # 归一化向量
)
db = Chroma.from_documents(documentation, embeddings)
print("✅ 向量数据库创建完成！")
# 4. 用户提问
print("\n❓ 步骤4：用户提问...")
query = "Python中列表和元组有什么区别？"
print(f"用户问题：{query}")
# 5. 检索相关文档
print("\n🔍 步骤5：检索相关文档...")
results = db.similarity_search(query)
retrieved_content = results[0].page_content
print(f"检索到的内容：{retrieved_content}")
# 6. 生成答案
print("\n💡 步骤6：生成答案...")
qa_pipeline = pipeline(
"question-answering",
model="D:/software/bigmodel/distilbert-base-uncased-distilled-squad",  # 本地问答模型
tokenizer="D:/software/bigmodel/distilbert-base-uncased-distilled-squad"
)
answer = qa_pipeline(question=query, context=retrieved_content)
print(f"模型回答：{answer['answer']}")
print(f"置信度：{answer['score']:.2f}")

🔍 代码详解

1. 文档加载（Line 8-13）

使用 TextLoader 加载文本文件，关键点是设置 encoding='utf-8'，避免中文编码问题。

2. 文档分割（Line 16-21）

把长文档切成小块，便于检索：

• chunk_size=128：每个块128字符
• chunk_overlap=0：块之间不重叠

3. 向量化（Line 25-30）

使用 all-MiniLM-L6-v2 模型将文本转换为向量：

• 这是一个轻量级的嵌入模型
• 将文本映射到384维的向量空间
• 用于计算文本相似度

4. 向量数据库（Line 31）

使用 Chroma 存储向量：

• 支持高效的相似度搜索
• 可以持久化到磁盘（本例未启用）

5. 检索（Line 39-42）

计算问题与文档的相似度，返回最相关的文档块。

6. 问答（Line 46-52）

使用 distilbert-base-uncased-distilled-squad 模型：

• 专门用于抽取式问答
• 从上下文中提取答案
• 返回答案和置信度

🎯 运行效果

运行代码后，你将看到：

📚 步骤1：加载文档...
✅ 加载文档完成，长度：856 字符
✂️ 步骤2：分割文档...
✅ 文档分割完成，共 8 个片段
🗄️ 步骤3：创建向量数据库...
✅ 向量数据库创建完成！
❓ 步骤4：用户提问...
用户问题：Python中列表和元组有什么区别？
🔍 步骤5：检索相关文档...
检索到的内容：Python中列表和元组的区别是什么？列表是可变的，元组是不可变的。列表用方括号[]定义，元组用圆括号()定义。
💡 步骤6：生成答案...
模型回答：列表是可变的，元组是不可变的
置信度：0.98

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】