RAG | 第一期：从零开始学RAG，让AI更聪明-开发者社区

Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation(RAG)是一种结合了信息检索与生成模型的混合方法。它通过引入外部知识来增强语言模型的表现，从而提高准确性和事实正确性。在RAG方法中，信息检索模块负责从外部数据源中提取相关信息，而生成模型则利用这些信息生成回答。这种方法可以有效弥补传统生成模型在面对事实性问题时的局限性。

在这个初级的RAG中，我们遵循以下步骤：

1. 数据加载与预处理：加载并预处理文本数据。
1. 分块（Chunking）：将数据分割成较小的块，以提高检索性能。
1. 嵌入（Embedding）创建：使用嵌入模型将文本块转换为数值表示。
1. 语义搜索（Semantic Search）：根据用户查询检索相关的文本块。
1. 生成响应：基于检索到的文本生成回答。

设置环境

首先导入必要的库：

import fitzimport osimport numpy as npimport jsonfrom openai import OpenAI

请安装这些库
处理PDF文件的PyMuPDF（fitz），数据处理的NumPy，以及与OpenAI API交互的工具。

完整代码及教程后台回复rag1获取

从PDF文件中提取文本

RAG的一个关键步骤是获取外部文本数据。第一期教程，我们从PDF文件中提取文本。PyMuPDF库是一个提供了高效的方式来读取和提取PDF中文本的库：

def extract_text_from_pdf(pdf_path): mypdf = fitz.open(pdf_path) all_text = "" for page_num in range(mypdf.page_count): page = mypdf[page_num] text = page.get_text("text") all_text += text return all_text

此函数遍历PDF中的每一页，提取其中的文本并将其合并成一个长字符串。

分块提取的文本

提取完文本后，我们需要将其分割成较小的块，这样可以提高检索性能。这里的分块不仅是将文本按固定长度分割，还可以使用重叠部分来提高检索的准确性:

def chunk_text(text, n, overlap): chunks = [] for i in range(0, len(text), n - overlap): chunks.append(text[i:i + n]) return chunks

将长文本分割为大小为n的块，并在每个块之间加入重叠部分。这样可以保证在检索时，不会遗漏跨越块边界的重要信息。

设置OpenAI API客户端

为了生成嵌入和回答，设置OpenAI的API客户端：

client = OpenAI( base_url="https", api_key=api_key)

这个不多说，填入自己base_url和api。通过这个客户端，我们能够与OpenAI的模型进行交互，生成文本嵌入并回答问题。

创建文本块的嵌入

文本块一旦分割完成，我们就需要将每个块转换为数值表示，这样可以便于后续的相似性检索。我们使用OpenAI的模型来创建嵌入：

def create_embeddings(text, model="BAAI/bge-en-icl"): response = client.embeddings.create( model=model, input=text ) return response

修改model=“BAAI/bge-en-icl”为你自己要使用的embedding模型

这段代码将文本转换为嵌入，返回一个包含嵌入信息的响应对象。

语义搜索

为了根据用户的查询找出相关的文本块，我们使用余弦相似度来计算查询与文本块嵌入之间的相似度。

def cosine_similarity(vec1, vec2): return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))def semantic_search(query, text_chunks, embeddings, k=5): query_embedding = create_embeddings(query).data[0].embedding similarity_scores = [] for i, chunk_embedding in enumerate(embeddings): similarity_score = cosine_similarity(np.array(query_embedding), np.array(chunk_embedding.embedding)) similarity_scores.append((i, similarity_score)) similarity_scores.sort(key=lambda x: x[1], reverse=True) top_indices = [index for index, _ in similarity_scores[:k]] return [text_chunks[index] for index in top_indices]

首先为查询创建嵌入，并计算查询与每个文本块嵌入之间的余弦相似度，最终返回最相关的前k个文本块。

生成基于检索文本的响应

一旦我们检索到最相关的文本块，就可以根据这些文本生成答案：

def generate_response(system_prompt, user_message, model="meta-llama/Llama-3.2-3B-Instruct"): response = client.chat.completions.create( model=model, temperature=0, messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_message} ] ) return response

model=“meta-llama/Llama-3.2-3B-Instruct”换成你要使用的模型。

生成一个基于给定上下文和用户查询的响应。系统提示确保模型只能基于提供的上下文生成回答。

评估AI的响应

最后，为了确保模型的回答质量，我们将其与真实答案进行比较，并为其打分：

evaluate_system_prompt = "You are an intelligent evaluation system tasked with assessing the AI assistant's responses."evaluation_prompt = f"User Query: {query}\nAI Response:\n{ai_response.choices[0].message.content}\nTrue Response: {data[0]['ideal_answer']}\n{evaluate_system_prompt}"evaluation_response = generate_response(evaluate_system_prompt, evaluation_prompt)

将根据模型生成的答案与真实答案的接近度打分。

写在最后

第一期我们展示了如何实现一个简单的RAG系统，通过结合信息检索和生成模型，提升了语言模型在处理知识密集型任务时的表现。通过从PDF文件中提取文本，分割文本、创建嵌入、执行语义搜索和生成基于检索结果的回答，RAG方法能够有效提高回答的准确性和可信度。此外，评估机制帮助我们量化AI生成答案的质量，从而为进一步的改进提供依据。

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：