RAG 是这两年非常热门的方向：把企业文档、课程资料、产品手册放进知识库，让 AI 能基于资料回答问题。
但很多新手一上来就卡在大模型 API、向量数据库、框架选择上。其实 RAG 的核心逻辑很简单：切文档、做索引、检索相关片段、再生成回答。
今天我们先不用复杂框架，用 Python 做一个最小可运行版 RAG 项目。
一、项目目标
输入一批 Markdown 文档，用户提问后，系统返回最相关的文档片段。
比如你问：
数据清洗时缺失值怎么处理？
系统能从你的文章库里找到“均值填充、中位数填充、插值法”相关内容。
二、可视化总览：RAG 的完整链路
本地知识库 RAG 技术流程
RAG 项目最容易讲散，这张框架图可以帮助读者快速理解：文档不是直接丢给模型，而是先切块、向量化、检索，再把相关片段交给模型回答。
检索片段相似度示例
这张图适合放在“测试检索效果”后面：它展示了不同文档片段和用户问题的相似度，能直观看出系统为什么选择某几个片段作为上下文。
三、项目目录
rag_demo/ docs/ article_01.md article_02.md rag_search.py四、第一步：读取所有 Markdown 文档
from pathlib import Pathdef load_docs(folder): docs = [] for path in Path(folder).glob("*.md"): text = path.read_text(encoding="utf-8") docs.append({ "file": path.name, "text": text }) return docsdocs = load_docs("docs")print("文档数量：", len(docs))五、第二步：把长文切成小块
RAG 不能直接把整篇文章都塞进去，要先切块。
def chunk_text(text, chunk_size=400, overlap=80): chunks = [] start = 0 while start < len(text): end = start + chunk_size chunks.append(text[start:end]) start = end - overlap return chunksall_chunks = []for doc in docs: chunks = chunk_text(doc["text"]) for i, chunk in enumerate(chunks): all_chunks.append({ "file": doc["file"], "chunk_id": i, "content": chunk })print("切块数量：", len(all_chunks))overlap的作用是保留上下文，避免答案刚好被切断。
六、第三步：用 TF-IDF 做一个轻量检索器
正式项目常用 embedding 向量模型。为了先跑通逻辑，这里用 sklearn 的 TF-IDF。
from sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.metrics.pairwise import cosine_similaritytexts = [item["content"] for item in all_chunks]vectorizer = TfidfVectorizer( token_pattern=r"(?u)\b\w+\b", max_features=5000)matrix = vectorizer.fit_transform(texts)def search(query, top_k=3): query_vec = vectorizer.transform([query]) scores = cosine_similarity(query_vec, matrix)[0] top_idx = scores.argsort()[::-1][:top_k] results = [] for idx in top_idx: results.append({ "score": scores[idx], "file": all_chunks[idx]["file"], "content": all_chunks[idx]["content"] }) return results七、第四步：测试检索效果
query = "缺失值应该怎么处理"results = search(query)for r in results: print("=" * 50) print("相似度：", round(r["score"], 4)) print("来源：", r["file"]) print(r["content"][:300])如果最相关的片段排在前面，说明检索系统已经能工作。
八、第五步：拼成 RAG 提示词
真正接入大模型时，可以把检索结果拼成提示词。
def build_prompt(query, results): context = "\n\n".join([ f"来源：{r['file']}\n内容：{r['content']}" for r in results ]) prompt = f"""请根据以下资料回答问题。如果资料中没有答案，请说“资料中没有找到明确答案”。资料：{context}问题：{query}""" return promptprompt = build_prompt(query, results)print(prompt)这一步就是 RAG 的关键：让模型基于检索到的资料回答，而不是凭空发挥。
九、项目升级路线
| 阶段 | 技术选择 |
|---|---|
| 入门版 | TF-IDF + 余弦相似度 |
| 进阶版 | embedding 模型 + FAISS |
| 产品版 | 向量数据库 + 权限控制 |
| 企业版 | 文档增量更新 + 答案引用来源 |
| 评估版 | 问答集 + 命中率 + 幻觉率 |
十、避坑指南
| 坑 | 解决方案 |
|---|---|
| 文档切块太大 | 检索不精准 |
| 文档切块太小 | 上下文不足 |
| 不返回来源 | 用户不信任答案 |
| 只看生成效果 | 先评估检索命中率 |
| 资料没答案还硬答 | 提示词里明确要求不知道就说不知道 |
说真的，这两年看着身边一个个搞Java、C++、前端、数据、架构的开始卷大模型，挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis，稳稳当当过日子。
结果GPT、DeepSeek火了之后，整条线上的人都开始有点慌了，大家都在想：“我是不是要学大模型，不然这饭碗还能保多久？”
我先给出最直接的答案：一定要把现有的技术和大模型结合起来，而不是抛弃你们现有技术！掌握AI能力的Java工程师比纯Java岗要吃香的多。
即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地！大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇！
这绝非空谈。数据说话
2025年的最后一个月，脉脉高聘发布了《2025年度人才迁徙报告》，披露了2025年前10个月的招聘市场现状。
AI领域的人才需求呈现出极为迫切的“井喷”态势
2025年前10个月，新发AI岗位量同比增长543%，9月单月同比增幅超11倍。同时，在薪资方面，AI领域也显著领先。其中，月薪排名前20的高薪岗位平均月薪均超过6万元，而这些席位大部分被AI研发岗占据。
与此相对应，市场为AI人才支付了显著的溢价：算法工程师中，专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%；产品经理岗位中，AI方向的产品经理薪资也领先约20%。
当你意识到“技术+AI”是个人突围的最佳路径时，整个就业市场的数据也印证了同一个事实：AI大模型正成为高薪机会的最大源头。
最后
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包【允许白嫖】：
- ✅从入门到精通的全套视频教程
- ✅AI大模型学习路线图（0基础到项目实战仅需90天）
- ✅大模型书籍与技术文档PDF
- ✅各大厂大模型面试题目详解
- ✅640套AI大模型报告合集
- ✅大模型入门实战训练
这份完整版的大模型 AI 学习和面试资料已经上传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】
①从入门到精通的全套视频教程
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（0基础到项目实战仅需90天）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤640套AI大模型报告合集
⑥大模型入门实战训练
👉获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
