一、引言
通过多篇博文我们也反复介绍说明了大模型知识滞后、生成幻觉成为制约智能问答、企业知识库等场景落地的核心痛点，检索增强生成（RAG）技术通过“外部知识检索 + LLM 生成” 的模式，为解决这些问题提供了关键思路，而向量数据库则是 RAG 发挥价值的核心底座。今天我们从一个新的视角，以本地员工手册智能问答系统为内容载体，从基础概念到实践，系统拆解 RAG 与向量数据库的深度融合逻辑，同时引入 Ollama 这一轻量级本地大模型运行工具，增加实用性和便捷性。
Ollama 作为开源的本地大模型运行框架，能够一键部署、自定义配置通义千问、Llama3 等主流模型，无需依赖云端算力，既保障了数据隐私，又降低了技术落地成本。今天我们从文档智能分块、向量入库、RAG 问答链搭建到调试优化，通过 FAISS 构建轻量级向量库，解决非结构化文本的语义检索问题；借助 Ollama 实现本地 LLM 的灵活调用，结合调试输出直观呈现检索、生成全流程的关键细节。
二、基础概念回顾
1. RAG（检索增强生成）
RAG 全称为 Retrieval-Augmented Generation，是一种将外部知识库检索与大模型生成相结合的技术框架。简单来说，它就像带参考书考试的学生，生成答案前先从外部知识源中查找相关信息，再结合自身能力组织语言输出。
- 核心解决的问题：大模型存在知识滞后，受限于训练数据截止时间、易产生幻觉编造虚假信息、领域知识不足、微调成本高等痛点，RAG 通过实时调用外部知识，无需重新训练模型即可弥补这些缺陷。
- 核心流程：可概括为“检索 - 增强 - 生成”三步。先检索外部相关知识，再将知识作为上下文补充给大模型，最后由大模型生成准确回答。
2. 向量数据库
向量数据库是专门用于存储、管理和高效检索高维向量数据的数据库系统。计算机无法直接理解文本、图像等非结构化数据，而向量数据库能通过嵌入模型将这些数据转化为类似 “数字指纹” 的高维向量，再通过相似度算法实现快速检索。
- 核心优势：区别于传统数据库的关键词匹配，向量数据库支持语义级搜索。例如 “苹果手机” 和 “iPhone” 虽关键词不同，但语义相近，其向量距离会很小，可被精准匹配到。
- 核心技术：依赖嵌入模型（如 BGE、Sentence-BERT）完成数据向量化，依靠余弦相似度等算法计算向量相似度，通过 HNSW、IVF 等索引算法实现亿级向量的毫秒级检索。
3. Ollama介绍
Ollama 是一款开源、轻量级的本地大模型运行与管理工具，核心定位是让普通开发者和中小企业能够以极低的成本、零门槛在本地环境部署和使用主流大模型。它并非自研大模型，而是搭建了一套简洁的模型运行框架，将模型下载、环境配置、参数调优、服务启动等复杂流程封装为简单的命令行操作，大幅降低了大模型本地化落地的技术门槛。
Ollama 的价值体现：
- 1. 部署极简，无需手动配置 CUDA、依赖库等复杂环境，通过一行命令即可拉取并启动通义千问、Llama3、Phi-3 等数十种主流大模型，即使是非技术人员也能快速上手；
- 2. 灵活性高，支持自定义模型参数，比如调整温度值控制生成随机性、扩展上下文窗口提升长文本处理能力，还能通过编写 Modelfile 文件组合、微调模型，适配不同业务场景需求；
- 3. 隐私性强，所有模型推理过程均在本地完成，无需将数据上传至云端，完美适配企业内部知识库、敏感业务问答等对数据安全要求高的场景；
- 4. 轻量化运行，针对轻量级模型做了深度优化，即使在普通个人电脑或低配服务器上也能流畅运行，大幅降低了硬件成本，避免了依赖云端 API 的长期费用支出。
在实际应用中，Ollama 常与 RAG、向量数据库组合使用：
- 作为 RAG 系统的生成端，它能接收向量数据库检索到的精准上下文，快速生成贴合业务的回答，既发挥了 RAG “检索增强” 的精准性，又借助本地部署的优势保障了响应速度和数据安全。
- 无论是验证大模型应用逻辑，还是搭建私有化智能问答系统，Ollama 都能以“低成本、易操作、高安全”的特性，成为连接大模型与实际业务的高效桥梁。
4. 融合的核心意义
向量数据库是 RAG 系统的 “记忆中枢”：
- RAG 的检索环节若依赖传统数据库，会因语义理解能力不足导致检索精度低；
- 而向量数据库提供的高效语义检索能力，能让 RAG 快速从海量外部知识中定位核心信息。
二者融合后，既发挥了 RAG“灵活调用外部知识”的优势，又借助向量数据库解决了 RAG 检索效率和精度的核心问题，成为搭建实用智能问答、知识库系统的黄金组合。
三、融合的核心逻辑
RAG 与向量数据库的融合贯穿于整个 RAG 系统的离线建库和在线问答全流程，每个环节的优化都直接影响系统性能，具体可分为两大阶段。
1. 离线建库阶段
构建可检索的知识底座，该阶段的核心是将非结构化知识转化为向量数据库可存储、可检索的格式，为后续检索做准备，步骤如下：
- 1. 数据收集与预处理：整合 PDF、Word、网页文本等多源知识，剔除重复、无效内容（如格式错乱的字符、无意义的页眉页脚）。
- 2. 文本智能分块：长文本直接向量化易丢失语义，需拆分为语义完整的小块。例如按 “章节”“条款” 等锚点拆分法律文档，按段落拆分技术手册，同时设置 5%-20% 的文本重叠率，避免语义断裂。
- 3. 文本向量化：使用嵌入模型（如我们一直使用的本地开源的 all-MiniLM-L6-v2）将每个文本块转化为高维向量。同一系统需固定嵌入模型，确保查询向量与存储向量的格式一致。
- 4. 向量入库与索引构建：将向量及对应的原始文本、元数据（如文档类型、更新时间）存入向量数据库，并构建索引。例如用 HNSW 索引适配高并发检索场景，用 IVF 索引适配亿级数据场景。
2. 在线问答阶段
实时检索与智能生成，用户发起查询时，二者通过协同完成从查询到回答的全链路流程，步骤如下：
- 1. 查询向量化：用户输入自然语言查询（如 “公司年假政策是什么”），通过与离线建库阶段相同的嵌入模型，将查询转化为向量。
- 2. 相似向量检索：向量数据库接收查询向量后，通过相似度算法检索出 Top-K 个最相关的向量，对应到原始文本块。
- 3. 上下文增强：RAG 将检索到的文本块作为上下文，与用户原始查询整合为增强提示词。
- 4. 生成最终回答：将增强提示词输入 LLM，由 LLM 结合上下文生成兼顾准确性和可读性的回答，同时可标注信息来源，提升可信度。
3. 融合的关键点
- 混合检索策略：向量检索搭配关键词检索，例如检索 “某型号手机售后政策” 时，向量检索匹配语义，关键词检索锁定 “型号”“售后” 等核心词，降低检索噪声。
- 元数据过滤增强：为向量添加业务标签（如产品型号、更新时间），检索时可通过元数据快速筛选范围。例如筛选 “2025 年更新的家电售后文档”，大幅提升检索效率。
- 检索结果重排：用 CrossEncoder 等模型对向量数据库返回的 Top-K 结果二次排序，修正仅靠向量相似度导致的偏差，例如区分 “苹果手机售后” 和 “苹果水果供应链售后” 的差异。
四、Ollama部署与应用
1. 部署及应用
访问 Ollama 官方网站，根据自身系统选择对应安装包，下载 OllamaSetup.exe 安装文件；
双击安装包，按提示完成下一步安装（默认路径即可，无需额外配置），完成基础安装；
打开终端/命令提示符，执行 ：
- ollama -v：输出版本号，即表示安装成功
- ollama ps：查看Ollama中正正运行的模型
- ollama run deepseek-r1:1.5b：运行指定模型
- ollama pull deepseek-r1:1.5b：当模型不存在时，运行指定命令下载模型，如下载deepseek-r1:1.5b 模型
本示例使用的比较小的模型deepseek-r1:1.5b部署，第一次通过ollama pull deepseek-r1:1.5b命令进行下载，下载完后通过ollama run deepseek-r1:1.5b运行即可；
Ollama的部署应用明细可参考《构建AI智能体：二、DeepSeek的Ollama部署FastAPI封装调用》
2. 扩展说明
2.1 多模型切换
# 支持动态切换模型（如qwen2:1.5b、llama3:8b） def switch_llm(model_name): return Ollama(model=model_name, temperature=0.1) llm_1.5b = switch_llm("qwen2:1.5b")2.2 流式输出
# 流式回答（逐字输出） from langchain_core.callbacks import StreamingStdOutCallbackHandler llm_stream = Ollama(model="deepseek-r1:1.5b", callbacks=[StreamingStdOutCallbackHandler()]) llm_stream.invoke("请详细说明年假政策")五、示例：本地文档智能问答系统
1. 文档示例内容
员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以上，每年享有15天带薪年假。
请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请。
加班调休规则：工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。
# 新增冗余内容（用于调试检索过滤效果）
办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。
团建活动规则：每季度部门可申请1次团建经费，上限5000元。
2. 完整示例过程
2.1 加载文档并智能分块
from langchain_community.document_loaders import TextLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from rich import print # 美化调试输出 # 加载本地文档 loader = TextLoader("knowledge.txt", encoding="utf-8") documents = loader.load() print(f"【调试】原始文档加载结果：\n{documents}\n") # 文本分块：100字符/块，50字符重叠率 text_splitter = RecursiveCharacterTextSplitter( chunk_size=100, chunk_overlap=50, separators=["\n\n", "\n", "。", "！", "？", "，", "、"] # 新增中文分隔符优化 ) chunks = text_splitter.split_documents(documents) # 调试输出：分块数量+每个块内容 print(f"【调试】文本分块总数：{len(chunks)}") for i, chunk in enumerate(chunks): print(f"【调试】第{i+1}个分块内容：\n{chunk.page_content}\n---")输出结果：
【调试】原始文档加载结果：
[Document(metadata={'source': 'knowledge.txt'},
page_content='员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以
上，每年享有15天带薪年假。\n请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，
需24小时内补提申请。\n加班调休规则：工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。\n#
新增冗余内容（用于调试检索过滤效果）\n办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。\n团建活动规则：每季度部门可申
请1次团建经费，上限5000元。')]【调试】文本分块总数：4
【调试】第1个分块内容：
员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以上，每年享有15天带薪年假。
---
【调试】第2个分块内容：
请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请。
---
【调试】第3个分块内容：
加班调休规则：工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。
# 新增冗余内容（用于调试检索过滤效果）
办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。
---
【调试】第4个分块内容：
办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。
团建活动规则：每季度部门可申请1次团建经费，上限5000元。
---
2.2 构建向量数据库并入库
from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores import FAISS import numpy as np # 初始化嵌入模型（新增模型参数优化） embeddings = HuggingFaceEmbeddings( model_name="D:/modelscope/hub/models/sentence-transformers/all-MiniLM-L6-v2", model_kwargs={'device': 'cpu'}, # 指定CPU运行（无GPU时） encode_kwargs={'normalize_embeddings': True} # 归一化向量，提升相似度计算精度 ) # 为分块添加元数据（扩展：便于后续过滤） for i, chunk in enumerate(chunks): chunk.metadata.update({ "chunk_id": i+1, "content_type": "employee_rule", "update_time": "2025-12-17" }) # 文本块向量化并构建FAISS向量库 vectorstore = FAISS.from_documents(chunks, embeddings) # 调试：查看向量维度+相似度计算示例 sample_chunk = chunks[0] sample_vector = embeddings.embed_query(sample_chunk.page_content) print(f"【调试】单个文本块向量维度：{len(sample_vector)}") print(f"【调试】向量前10位数值：{np.round(sample_vector[:10], 4)}\n") # 调试：测试相似性检索 query = "入职5年年假有多少天" retrieved_docs = vectorstore.similarity_search(query, k=2) print(f"【调试】测试检索结果（查询：{query}）：") retrieved_docs_with_scores = vectorstore.similarity_search_with_score(query, k=2) for doc, score in retrieved_docs_with_scores: print(f"- 匹配分块：{doc.page_content}（相似度：{score:.4f}）") # 保存向量库到本地 vectorstore.save_local("local_faiss_index") print("\n【调试】向量库已保存到 local_faiss_index 目录")输出结果：
【调试】单个文本块向量维度：384
【调试】向量前10位数值：[ 0.0227 0.0214 0.0536 0.0264 -0.0132 0.0831 -0.0024 -0.0287 -0.0151
0.0242]【调试】测试检索结果（查询：入职5年年假有多少天）：
-
匹配分块：员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以上，
每年享有15天带薪年假。（相似度：0.5489）
-
匹配分块：请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请
。（相似度：0.6494）【调试】向量库已保存到 local_faiss_index 目录
2.3 搭建 RAG 问答链
from langchain_community.llms import Ollama from langchain_core.prompts import ChatPromptTemplate from langchain.chains import create_retrieval_chain from langchain.chains.combine_documents import create_stuff_documents_chain from langchain_core.runnables import RunnableConfig # 初始化Ollama LLM（扩展：自定义参数） llm = Ollama( model="deepseek-r1:1.5b", # 使用自定义模型（或qwen2:0.5b） temperature=0.1, # 低温度=低随机性 num_ctx=4096, # 扩展上下文窗口 timeout=30 # 超时时间（避免模型响应过慢） ) # 调试：测试LLM基础调用 test_prompt = "你是谁？请用一句话回答" llm_response = llm.invoke(test_prompt) print(f"【调试】LLM基础调用测试：\n提问：{test_prompt}\n回答：{llm_response}\n") # 定义提示模板（增强：明确来源标注） prompt = ChatPromptTemplate.from_template( "请严格根据以下上下文内容回答用户问题，禁止编造任何信息。\n" "上下文来源：员工手册（2025版）\n" "上下文内容：{context}\n\n" "用户问题：{input}\n" "回答要求：1. 仅使用上下文信息；2. 简洁明了；3. 标注信息对应的规则类型。" ) # 创建文档整合链 document_chain = create_stuff_documents_chain(llm, prompt) # 加载本地向量库并转为检索器（扩展：添加元数据过滤） retriever = FAISS.load_local( "local_faiss_index", embeddings, allow_dangerous_deserialization=True ).as_retriever( search_kwargs={ "k": 2, # 检索Top2 "filter": {"content_type": "employee_rule"} # 仅检索员工规则类内容 } ) # 构建完整RAG问答链 retrieval_chain = create_retrieval_chain(retriever, document_chain) # 调试：查看检索链结构 print(f"【调试】RAG链结构：\n{retrieval_chain.get_graph().draw_ascii()}\n")输出结果：
【调试】LLM基础调用测试：
提问：你是谁？请用一句话回答
回答：<think>
您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。
</think>您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。
【调试】RAG链结构：
+------------------------+
| Parallel<context>Input |
+------------------------+
*** ***
** **
** **
+--------+ **
| Lambda | *
+--------+ *
* *
* *
* *
+----------------------+ +-------------+
| VectorStoreRetriever | | Passthrough |
+----------------------+ +-------------+
***************************省略*********************
完整的RAG链结构：
RAG 链结构总结：
该 RAG 链是一套并行化设计的检索增强生成架构，核心特点是通过多分支并行处理、分层式数据流转，兼顾检索精准性与成效率，整体可拆解为三大核心阶段，各环节分工明确且协同高效：
1. 并行检索阶段（上游）
以Parallel<context>Input为统一输入入口，拆分为两条并行分支：
- 核心检索分支：通过Lambda（匿名函数）处理用户查询（如清洗、标准化）后，传入VectorStoreRetriever（向量库检索器），完成核心语义检索，获取与问题匹配的知识库上下文；
- 透传分支：通过Passthrough（透传组件）直接保留原始查询，不做修改。
两条分支结果汇总至Parallel<context>Output，既保证检索到精准上下文，又保留原始查询的完整性，为后续生成提供双维度输入。
2. 提示构建阶段（中游）
检索结果与原始查询进入Parallel<answer>Input后，再次拆分并行分支处理：
- 上下文加工分支：检索到的上下文经PromptTemplate格式化（如添加 “基于以下上下文回答” 等指令）；
- 查询透传分支：原始查询继续通过Passthrough保留。
两者汇总至Parallel<context>Output后，统一传入ChatPromptTemplate（对话提示模板），拼接成 “指令 + 上下文 + 原始查询” 的完整提示词，确保 Ollama 生成时既有明确规则约束，又有精准上下文支撑。
3. 生成输出阶段（下游）
完整提示词传入Ollama（本地大模型）完成回答生成，生成结果经StrOutputParser（字符串输出解析器）格式化后，与透传的原始查询再次汇总至Parallel<answer>Output，最终输出 “原始问题 + 精准回答” 的完整结果。
简单总结：
- 并行化设计：检索、提示构建环节均采用 “核心处理 + 透传” 并行分支，既保证关键步骤的加工效果，又保留原始数据，避免信息丢失；
- 分层清晰：检索、提示、生成三阶段边界明确，检索聚焦 “找对信息”，提示聚焦 “规范输入”，生成聚焦 “精准回答”，便于调试和优化；
- 轻量化落地：基于 Ollama 本地运行模型，结合向量检索，既保障数据隐私（全流程本地处理），又通过组件化设计降低架构复杂度，适合私有化部署场景。
2.4 实现交互问答
print("="*50) print("本地智能问答助手已启动（输入'quit'退出，输入'debug'查看检索详情）") print("="*50) while True: user_question = input("\n请提问：") if user_question.lower() == "quit": print("助手已关闭！") break if user_question.lower() == "debug": print("\n【调试模式】当前检索器配置：") print(f"- 检索数量k：{retriever.search_kwargs['k']}") print(f"- 元数据过滤条件：{retriever.search_kwargs.get('filter', '无')}") print(f"- 向量库文档总数：{len(vectorstore.index_to_docstore_id)}") continue # 调用问答链并记录耗时 import time start_time = time.time() result = retrieval_chain.invoke({"input": user_question}) end_time = time.time() # 详细调试输出 print("\n" + "-"*30 + "调试信息" + "-"*30) print(f"【调试】检索到的上下文：") for i, doc in enumerate(result["context"]): print(f" {i+1}. {doc.page_content}（元数据：{doc.metadata}）") print(f"【调试】回答生成耗时：{end_time - start_time:.2f}秒") print("-"*66) # 最终回答输出 print(f"\n回答：{result['answer']}")输出结果：
==================================================
本地智能问答助手已启动（输入'quit'退出，输入'debug'查看检索详情）
==================================================请提问：入职5年的正式员工有多少天年假？
------------------------------调试信息------------------------------
【调试】检索到的上下文：
1.员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以上，每年享有15天带 薪年假。
（元数据：{'source': 'knowledge.txt', 'chunk_id': 1, 'content_type': 'employee_rule', 'update_time': '2025-12-17'}）
2.请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请。
（元数据：{'source': 'knowledge.txt', 'chunk_id': 2, 'content_type': 'employee_rule', 'update_time': '2025-12-17'}）
【调试】回答生成耗时：18.78秒
------------------------------------------------------------------回答：<think>
好的，我现在需要解决用户的问题：“入职5年的正式员工有多少天年假？”首先，我要仔细阅读提供的上下文内容，确保理解所有相关的政策和规定。根据上下文来源，特别是“员工年假政策”，我了解到正式员工的年假安排是基于入职时间的不同阶段。具体来说：
1. **入职满1年不满3年**：每年享有5天带薪年假。
2. **入职满3年不满10年**：每年享有10天带薪年假。
3. **入职满10年及以上**：每年享有15天带薪年假。现在，问题中的员工是入职了5年。根据第二条政策，入职满3年不满10年，所以他们的年假是10天。接下来，我需要确认是否有其他相关的规则或例外情况影响这个结果。
在“请假流程”部分提到，员工必须提前3天通过企业OA提交申请，并经直属领导审批才能生效。这里的信息可能会影响是否可以享受年假，但根据上下文内容，年假的发放是基于入职时间的，而不是请假的具体安排。因此，即使有请假的情况，年假的发放仍然按照入职满1年的标准来计算。
此外，紧急情况无法提前申请的员工需要24小时内补提申请，这可能影响他们的年假享受，但同样，根据政策，他们仍然可以享受相应的年假天数。
综上所述，入职5年的正式员工应享有10天带薪年假。因此，回答时应该明确指出这一点，并标注对应的规则类型。
</think>根据“员工年假政策”，入职满3年不满10年，员工每年享有10天带薪年假。因此，入职5年的正式员工有10天年假。
**答案：10天**
请提问：加班调休有效期是多久？
------------------------------调试信息------------------------------
【调试】检索到的上下文：
1. 加班调休规则：工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。
# 新增冗余内容（用于调试检索过滤效果）
办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。（元数据：{'source': 'knowledge.txt', 'chunk_id': 3, 'content_type': 'employee_rule', 'update_time': '2025-12-17'}）
2.请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请。（元数据：{'source': 'knowledge.txt', 'chunk_id': 2, 'content_type': 'employee_rule', 'update_time': '2025-12-17'}）
【调试】回答生成耗时：10.93秒
------------------------------------------------------------------回答：<think>
好的，我现在需要解决用户的问题：“加班调休有效期是多久？”根据提供的上下文和规则，我得仔细分析。首先，查看上下文来源：员工手册（2025版）。里面明确提到“工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。”
这里提到了“3个月”，所以直接引用这个信息作为回答。接下来，用户的问题是关于有效期的，而规则中也明确说明了调休的有效期是3个月。因此，回答应该直接引用这条规则，不需要添加额外的信息或冗余内容。
最后，确保回答简洁明了，并且标注对应规则类型，这里就是加班调休规则。
</think>根据员工手册（2025版）中的规则，加班调休有效期为3个月。
请提问：debug
【调试模式】当前检索器配置：
- 检索数量k：2
- 元数据过滤条件：{'content_type': 'employee_rule'}
- 向量库文档总数：4请提问：quit
助手已关闭！
2.5检索效果评估
# 计算检索准确率（人工标注+自动化验证） test_cases = [ ("入职5年年假", ["10天带薪年假"]), ("加班调休有效期", ["3个月内使用完毕"]) ] def evaluate_retrieval(query, expected_answer): result = retrieval_chain.invoke({"input": query}) return 1 if any(ans in result["answer"] for ans in expected_answer) else 0 # 计算整体准确率 accuracy = sum(evaluate_retrieval(q, e) for q, e in test_cases) / len(test_cases) print(f"【调试】检索准确率：{accuracy*100}%")输出结果：
【调试】检索准确率：100.0%
六、总结
今天我们完整呈现了 RAG 与向量数据库的深度融合应用，核心价值在于将抽象的技术逻辑转化为可落地的实战示例，同时借助 Ollama 让本地大模型部署与 RAG 结合更具实用性。
向量数据库作为 RAG 的 “记忆中枢”，解决了非结构化文本的语义检索难题，而合理的文本分块、元数据过滤、相似度调试等优化手段，进一步提升了检索精度；Ollama轻量化部署、自定义模型参数的特性，让我们也能低成本搭建私有化 RAG 系统，兼顾数据安全与响应效率。
