完整项目：手把手做「资料管家」

先按"四大件"设计(a0.3)

动手前先想清楚它由什么组成——这是老练的习惯:

🔧 手把手:一份完整可运行的「资料管家」

下面整段 复制即可运行(本地中文嵌入,免 VPN)。它把 RAG + 记忆 + 人设合在一起：

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

embedder = SentenceTransformer("BAAI/bge-small-zh-v1.5")
client = OpenAI(api_key="你的KEY", base_url="https://api.deepseek.com")

# ① 你的资料（真实项目从文件读，这里手写几段演示）
DOCS = [
    "项目一键部署：bash deploy.sh；部署前必须先备份数据库。",
    "技术栈：Next.js + Prisma + MySQL，部署在阿里云。",
    "课程分 5 章 + 进阶篇，从'什么是智能体'讲到'训练智能体'。",
]
DOC_VECS = embedder.encode(DOCS, normalize_embeddings=True)   # ② 入库：算嵌入

PERSONA = "你是「资料管家」。只根据给你的资料回答，并指出依据；资料里没有就说不知道，绝不编。"
history = []     # 对话记忆

def retrieve(q, k=2):                                          # ③ 检索：找最相关的几段
    qv = embedder.encode(q, normalize_embeddings=True)
    top = util.cos_sim(qv, DOC_VECS)[0].argsort(descending=True)[:k]
    return "\n".join(f"- {DOCS[i]}" for i in top)

def ask(question):
    context = retrieve(question)
    messages = ([{"role": "system", "content": PERSONA}]
                + history[-4:]                                 # ④ 带上最近的对话记忆
                + [{"role": "user", "content": f"资料：\n{context}\n\n问题：{question}"}])
    answer = client.chat.completions.create(
        model="deepseek-chat", messages=messages).choices[0].message.content
    history.extend([{"role": , : question},
                    {: , : answer}])
     answer

(, ask())
(, ask())   

跑一遍,你会看到:Q1 它从资料里查出 bash deploy.sh;Q2 你只说"那",它靠记忆知道在说部署、靠检索答出"先备份数据库"——记忆 + RAG 合体,一个真正"懂你"的助手就成了。

让它吃真实文件:读取 + 切块

上面的 DOCS 是手写的几段。真实项目里资料在文件里,而且一篇长文档不能整篇塞——要切块(chunking):切太大检索不准、塞不下,切太小又丢上下文。一个够用的做法是按长度切、块之间留点重叠:

import os, glob

def load_and_chunk(folder="docs", size=300, overlap=50):
    """读 folder 下所有 .txt，按字数切块，块间重叠 overlap 字保留上下文。"""
    chunks = []
    for path in glob.glob(os.path.join(folder, "*.txt")):
        text = open(path, encoding="utf-8").read()
        for i in range(0, len(text), size - overlap):     # 步长=块长-重叠
            piece = text[i:i + size].strip()
            if piece:
                chunks.append(piece)
    return chunks

# 用它替换手写的 DOCS（确保 docs/ 文件夹里有 .txt 资料）：
# DOCS = load_and_chunk("docs")
# DOC_VECS = embedder.encode(DOCS, normalize_embeddings=True)

切块是 RAG 效果最大的旋钮之一:中文资料 size 先试 300–500 字、overlap 50 左右,按检索效果再调。

再走完最后两步:评估 + 上线

评估(a4.2):列几道只有你资料里才有答案的题,跑一遍看通过率——

tests = [("一键部署命令？", "deploy.sh"), ("用什么数据库？", "MySQL")]
passed = sum(t[1].lower() in ask(t[0]).lower() for t in tests)
print(f"通过率：{passed}/{len(tests)}")

上线(a4.3):把 ask() 包成一个 HTTP 接口,加上最简配额(防被刷爆账单),就能发给别人用了——下面这段配合上面的代码可直接跑:

# pip install "fastapi>=0.110" "uvicorn>=0.27"
from fastapi import FastAPI, HTTPException
from collections import defaultdict

app = FastAPI()
quota = defaultdict(int)          # 极简内存配额：真实项目用 Redis/数据库按用户计

@app.post("/ask")
def ask_api(question: str, user: str = "guest"):
    if quota[user] >= 20:          # ← 每用户每进程最多 20 次，挡住恶意刷量
        raise HTTPException(429, "今日额度已用完")
    quota[user] += 1
    return {"answer": ask(question)}

# 启动：uvicorn 文件名:app --reload，然后 POST /ask?question=一键部署命令

不想写后端?把这些资料传进扣子知识库,点几下发布,效果一样。但配额这一关无论哪条路都不能省——公开的智能体不设防,等于让人刷你的钱(呼应 a4.3 / e6)。

我想基于这套「RAG + 记忆 + 人设」做一个『___ 助手』(我来填,如:法规问答 / 产品客服 / 个人笔记)。请帮我:① 该喂哪些资料、怎么切块 ② 人设(PERSONA)怎么写 ③ 3 道评估测试题 ④ 上线和隐私注意事项。