30天从零开始学AI应用开发（Day 19）：项目二完结：RAG 知识库问答系统，把自己攒的资料变成私人顾问

这是系列的第 19 篇。整个系列写给零基础、想入行 AI 的朋友，每天一篇，30 天后你会做出 3 个能写进简历的项目。

这篇解决什么问题

Day 1 的时候我埋了一个包袱，说 Day 19 会做 RAG 知识库问答系统，让大家在评论区说说想用 AI 解决的具体问题，说不定就是我的素材。今天来结账。

四天的铺垫到这里收口：Day 15 讲清了为什么需要 RAG，Day 16 学会把文字变向量，Day 17 用 ChromaDB 建库，Day 18 解决了切分和检索。今天把它们组装成一个完整系统。

和昨天的区别在哪？昨天是个验证性的小脚本，今天是一个有人愿意用的东西：能导入一整批文档、能追问、能标出答案来自哪份文件的哪一页、资料里没有就老实说不知道。这就是你简历上的第二个项目，也是当前招聘市场上最吃香的技能方向。

一、先看系统长什么样

先把结构画清楚，写代码时就不会乱。我们分三层：

• 数据层：文档进来，切分，向量化，存进 ChromaDB
• 检索层：用户提问，找出相关的片段
• 回答层：把片段和问题交给大模型，生成带来源的回答

对应的文件结构建议这样分，别全堆在一个文件里：

rag-demo/ ├── config.py # 密钥和参数配置 ├── ingest.py # 文档导入（读文件、切分、入库） ├── rag.py # 检索和回答的核心逻辑 └── app.py # 跑起来的入口

分文件是专业习惯，也是简历上的加分点，面试官看到目录结构就知道你不是随手写的。

二、第一步：导入文档

先写 config.py，把配置集中管理：

# config.pyAPI_KEY="你的密钥"# 正式项目放 .env，用 os.getenv 读BASE_URL="https://api.deepseek.com"CHAT_MODEL="deepseek-chat"EMBED_MODEL="embedding-model-name"# 换成你平台的 embedding 模型名DB_PATH="./chroma_db"CHUNK_SIZE=500CHUNK_OVERLAP=50

再写 ingest.py，负责把文档变成库里的片段：

# ingest.pyimportosimportchromadbfromopenaiimportOpenAIfromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromconfigimportAPI_KEY,BASE_URL,EMBED_MODEL,DB_PATH oai=OpenAI(api_key=API_KEY,base_url=BASE_URL)defread_doc(path):"""读文档，先支持 txt 和 md，够用了"""withopen(path,"r",encoding="utf-8")asf:returnf.read()defingest_file(path,collection):"""把一份文档切分入库，带来源信息"""text=read_doc(path)filename=os.path.basename(path)# 记下文件名，后面要标来源splitter=RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50,separators=["\n\n","\n","。","！","？"," ",""])chunks=splitter.split_text(text)print(f"{filename}：切成{len(chunks)}段")fori,chunkinenumerate(chunks):vec=oai.embeddings.create(model=EMBED_MODEL,input=chunk).data[0].embedding collection.add(documents=[chunk],embeddings=[vec],ids=[f"{filename}_{i}"],# 唯一编号metadatas=[{"source":filename,"chunk":i}]# 元数据：来源)

关键在最后那行 metadatas。它把“这段内容来自哪个文件”一起存进了库，后面回答时才能标来源。Day 18 讲切分时提过的“给片段贴身份证”，就是用在这里。

批量导入一个文件夹：

if__name__=="__main__":client=chromadb.PersistentClient(path=DB_PATH)collection=client.get_or_create_collection(name="knowledge")folder="./docs"# 把你的资料放这个文件夹fornameinos.listdir(folder):ifname.endswith((".txt",".md")):ingest_file(os.path.join(folder,name),collection)print("全部导入完成，共",collection.count(),"个片段")

三、第二步：检索加回答

核心逻辑写在 rag.py：

# rag.pyimportchromadbfromopenaiimportOpenAIfromconfigimportAPI_KEY,BASE_URL,CHAT_MODEL,EMBED_MODEL,DB_PATH oai=OpenAI(api_key=API_KEY,base_url=BASE_URL)client=chromadb.PersistentClient(path=DB_PATH)collection=client.get_or_create_collection(name="knowledge")defretrieve(question,n=3):"""检索最相关的 n 个片段，返回内容加来源"""vec=oai.embeddings.create(model=EMBED_MODEL,input=question).data[0].embedding result=collection.query(query_embeddings=[vec],n_results=n)hits=[]fordoc,metainzip(result["documents"][0],result["metadatas"][0]):hits.append({"text":doc,"source":meta["source"]})returnhitsdefanswer(question):"""检索 + 生成回答"""hits=retrieve(question)# 把资料拼起来，标上编号，方便让 AI 引用context="\n\n".join(f"[{i+1}] （来自{h['source']}）\n{h['text']}"fori,hinenumerate(hits))prompt=f"""你是一个严谨的知识库助手。请只根据下面的资料回答问题。 要求： 1. 资料里没有提到的内容，直接回答"资料中没有相关内容"，不要编造。 2. 回答时在句末标注依据来源，格式如 [1]。 3. 回答用中文，条理清晰，不超过 300 字。 资料：{context}问题：{question}"""response=oai.chat.completions.create(model=CHAT_MODEL,messages=[{"role":"user","content":prompt}])returnresponse.choices[0].message.content,hits

四、第三步：跑起来

app.py 做个简单的命令行交互：

# app.pyfromragimportanswerprint("知识库助手已就绪，输入问题开始（输入 退出 结束）")whileTrue:question=input("\n你：").strip()ifquestion=="退出":breakifnotquestion:continueresult,hits=answer(question)print("\nAI：",result)# 把用到的资料来源列出来，方便用户核对print("\n--- 依据来源 ---")fori,hinenumerate(hits,1):print(f"[{i}]{h['source']}")

运行起来，问几个问题试试。重点验证三件事：

1. 资料里有答案的问题，答得准不准
2. 资料里没有答案的问题，它有没有老实说不知道
3. 回答末尾有没有标出来源

第三点特别重要。能标出来源的 AI，用户才敢信。这是 RAG 相比普通聊天机器人的核心优势，面试时也值得强调。

五、这个项目强在哪

对比一下你的项目一，你会发现项目二的价值跨度：

项目一是“用 AI 处理文件”，项目二是“让 AI 掌握你的私有知识”。后者能解决的问题更值钱：企业知识库、客服机器人、产品文档助手、法律条文问答，技术底座全是它。

写在简历上大概是这个形态：

RAG 知识库问答系统（个人项目）

• 背景：个人积累的文档资料分散，检索靠关键词经常搜不到，需要语义级问答
• 实现：基于 LangChain 文本切分 + ChromaDB 向量库 + 大模型构建 RAG 流程；设计 chunk_size 与 overlap 双参数切分策略，并通过问题改写提升召回质量
• 增强：回答强制标注来源文件，提示词层面约束"资料外不编造"，有效抑制大模型幻觉
• 技术栈：Python、LangChain、ChromaDB、向量检索、大模型 API

明天还有接口化的内容，把项目二的完成度再提一档，到时候用更完整的话术写进简历。

常见报错排查

报错一：检索出来的片段和问题完全不相关。

先检查 embedding 是否用了同一个模型（入库和查询必须一致，Day 16 讲过的坑）。再检查切分是否合理，用 Day 18 的自测方法看片段是否完整。

报错二：AI 明明资料里有答案，却说“资料中没有相关内容”。

两种情况：一是召回没命中，加大 n_results 试试；二是提示词约束过严，AI 太保守了。可以改成“优先根据资料回答，资料中确实没有的信息再说明没有”。

报错三：老是返回同样几条片段。

检查 ids 是不是重复了，导致重复内容覆盖。ids 里带上文件名和序号就不会出这个问题。

报错四：导入大文件时很慢。

每条片段单独请求 embedding 确实慢。改成批量请求（embedding 接口一般支持一次传多条），速度能快好几倍。这个优化留给你自己动手，做出来可以直接写进简历。

报错五：中文文件名入库后乱码。

确认读取文件时用了 encoding=“utf-8”，写入时也一样。

今天的作业

用你自己的真实资料（笔记、手册、行业文档都可以）跑通整个系统，然后做三个测试：一个资料里有答案的问题、一个需要综合两段内容的问题、一个资料里完全没有的问题。把三个回答和来源截图贴到评论区。

我最想知道的是：资料里没有的那个问题，它有没有老实交代。

明天预告

Day 20：《用 FastAPI 给你的 RAG 穿上接口，别人也能访问了》。现在你的系统只能自己在本机跑，明天把它变成一个能被别人调用的服务。做完之后，面试官可以打开链接直接问你的知识库，这个体验完全不一样。而且 FastAPI 是后端开发的标配，学一次受益很久。

————————————————
*系列目录：30天从零开始学AI应用 开发