让小雅读你的资料：RAG

为什么不能"把资料直接塞给它"？

你可能想：那把 100 页文档全贴进对话不就行了？

不行——还记得那块白板（上下文窗口） 吗？100 页根本写不下；就算写得下，又贵又慢，它还容易抓不住重点。

聪明的办法不是"全塞"，而是“用哪段、才翻哪段”。

RAG 三步：切块 → 检索 → 生成

RAG（检索增强生成）听着唬人，其实就三步：

1. 切块：把你的资料切成一小段一小段，存进一个"资料库"。
2. 检索：你一提问，系统先从资料库里捞出最相关的几小段。
3. 生成：把"你的问题 + 捞出来的那几段"一起交给小雅，让它照着这几段来回答。

关键好处有两个：

• 不再瞎编：它的答案有据可依（就是捞出来的那几段），幻觉大大减少。
• 能用私有知识：你的笔记、内部文档，它都能答——这是通用大模型给不了的。

🙌 动手：给小雅建一个"资料库"

扣子里这个能力叫知识库：

1. 在小雅的编排页，找到 知识库，新建一个。
2. 上传几份你的资料（课程笔记、一份说明文档、几篇文章都行），平台会自动帮你切块、入库。
3. 把这个知识库关联给小雅。
4. 提一个只有你资料里才有答案的问题，比如"我笔记里写的那个一键部署命令是什么？"
5. 看小雅从你的资料里捞出原文、据此回答——好的平台还会标出答案来自哪一段。

✅ 学完这步，你已经能把小雅变成任何一份资料的问答专家了——产品手册、课程讲义、公司制度，喂进去就能问。

🔧 上手：30 行写一个能跑的迷你 RAG

下面这段 Python 复制即可运行，把上面三步全做了。嵌入用本地中文模型（免 API、免 VPN，首次自动下载约 100MB），生成用 DeepSeek：

# pip install sentence-transformers openai
from sentence_transformers import SentenceTransformer, util
from openai import OpenAI

embedder = SentenceTransformer("BAAI/bge-small-zh-v1.5")   # 本地中文嵌入模型
client = OpenAI(api_key="你的KEY", base_url="https://api.deepseek.com")

# ① 切块：你的资料切成一段段（真实项目从文件读，这里手写几段演示）
chunks = [
    "一键部署命令是 bash deploy.sh，部署前要先备份数据库。",
    "项目用 Next.js + Prisma，数据库是 MySQL。",
    "课程分 5 章，从'什么是智能体'到'多智能体与上线'。",
]
# ② 入库：每段算成向量（归一化，便于算余弦相似度）
chunk_vecs = embedder.encode(chunks, normalize_embeddings=True)

def rag_answer(question: str, k: int = 2) -> str:
    # ③ 检索：问题也算成向量，找最相近的 k 段
    q_vec = embedder.encode(question, normalize_embeddings=True)
    scores = util.cos_sim(q_vec, chunk_vecs)[0]
    top = scores.argsort(descending=True)[:k]
    context = "\n".join(f"- {chunks[i]}" for i in top)
    print("🔍 检索到：\n", context)
    # ④ 生成：问题 + 检索到的原文一起喂给模型，要求"只据此作答"
    prompt = (f"只根据下面的资料回答问题，并说明依据；资料没有就说不知道。\n"
              f"资料：\n{context}\n\n问题：{question}")
    return client.chat.completions.create(
        model="deepseek-chat", messages=[{"role": "user", "content": prompt}]
    ).choices[0].message.content

print("💬 答：", rag_answer("一键部署的命令是什么？"))

运行结果： 它会先打印检索到的那两段原文，再给出"是 bash deploy.sh，依据是第 1 段资料；另外记得先备份数据库"这种有据可查的回答。

第 ③ 步那个"按含义找最相近的几段"到底怎么算的？——下一节我们专门拆开那张神奇的"意思地图"。

我想用 RAG 做一个能回答『我自己资料』的助手。请帮我想：①我手头有哪些资料适合喂给它 ②怎么组织/命名这些资料检索效果更好 ③有哪些问题适合用来测试它检索得准不准。