本文介绍了如何使用RAG技术构建智能问答系统让AI基于你的私有文档内容进行精准问答。文章详细讲解了环境准备、知识库文件准备、完整代码实现及代码详解帮助读者快速掌握RAG技术解决传统大模型问答的知识过时、胡说八道和无法个性化等痛点实现实时检索、精准回答和私有化提升AI应用的安全性及准确性。 引言大家好今天要分享一个非常实用的技术——RAG检索增强生成智能问答系统。看完这篇文章你将学会如何让AI基于你自己的文档内容精准回答相关问题先看效果用户问题Python中列表和元组有什么区别 模型回答列表是可变的元组是不可变的 置信度0.98 为什么要用RAG传统的大模型问答存在几个痛点❌知识过时模型训练数据截止到某个时间点❌胡说八道对不知道的问题会编造答案❌无法个性化不知道你的私有数据RAG技术完美解决这些问题✅实时检索从你的知识库中找到相关文档✅精准回答基于真实文档生成答案✅私有化所有数据都在本地安全可控️ 环境准备安装必要的库pip install langchain langchain-community chromadb transformers sentence-transformers 下载必要的AI模型本系统需要两个模型必须提前下载到本地模型1嵌入模型all-MiniLM-L6-v2模型2问答模型distilbert-base-uncased-distilled-squad项目结构rag_project/ ├── data/ │ └── programming_faq.txt # 你的知识库文件 └── rag_qa.py # 主程序 准备知识库文件首先创建一个知识库文件data/programming_faq.txtPython中列表和元组的区别是什么列表是可变的元组是不可变的。列表用方括号[]定义元组用圆括号()定义。 什么是装饰器装饰器是Python中用于修改函数或类行为的函数。它接受一个函数作为参数并返回一个新函数。 Python的GIL是什么全局解释器锁它确保任何时候只有一个线程执行Python字节码。 如何优化Python代码性能使用列表推导式代替循环使用生成器处理大数据避免不必要的属性查找。 完整代码实现下面是完整的RAG问答系统代码每行都有详细注释import os from langchain_community.document_loaders import TextLoader from langchain_text_splitters import CharacterTextSplitter from langchain_huggingface import HuggingFaceEmbeddings from langchain_community.vectorstores import Chroma from transformers import pipeline # 1. 加载文档 print( 步骤1加载文档...) loader TextLoader( rD:\study\codes\data\programming_faq.txt, encodingutf-8 # 重要指定UTF-8编码避免中文乱码 ) documentation loader.load() print(f✅ 加载文档完成长度{len(documentation[0].page_content)} 字符) # 2. 分割文档 print(\n✂️ 步骤2分割文档...) text_splitter CharacterTextSplitter( chunk_size128, # 每个文档块的大小 chunk_overlap0 # 块之间的重叠字符数 ) documentation text_splitter.split_documents(documentation) print(f✅ 文档分割完成共 {len(documentation)} 个片段) # 3. 创建向量数据库 print(\n️ 步骤3创建向量数据库...) embeddings HuggingFaceEmbeddings( model_nameD:/software/bigmodel/all-MiniLM-L6-v2, # 本地嵌入模型 model_kwargs{device: cpu}, # 使用CPU运行 encode_kwargs{normalize_embeddings: True} # 归一化向量 ) db Chroma.from_documents(documentation, embeddings) print(✅ 向量数据库创建完成) # 4. 用户提问 print(\n❓ 步骤4用户提问...) query Python中列表和元组有什么区别 print(f用户问题{query}) # 5. 检索相关文档 print(\n 步骤5检索相关文档...) results db.similarity_search(query) retrieved_content results[0].page_content print(f检索到的内容{retrieved_content}) # 6. 生成答案 print(\n 步骤6生成答案...) qa_pipeline pipeline( question-answering, modelD:/software/bigmodel/distilbert-base-uncased-distilled-squad, # 本地问答模型 tokenizerD:/software/bigmodel/distilbert-base-uncased-distilled-squad ) answer qa_pipeline(questionquery, contextretrieved_content) print(f模型回答{answer[answer]}) print(f置信度{answer[score]:.2f}) 代码详解1. 文档加载Line 8-13使用TextLoader加载文本文件关键点是设置encodingutf-8避免中文编码问题。2. 文档分割Line 16-21把长文档切成小块便于检索chunk_size128每个块128字符chunk_overlap0块之间不重叠3. 向量化Line 25-30使用all-MiniLM-L6-v2模型将文本转换为向量这是一个轻量级的嵌入模型将文本映射到384维的向量空间用于计算文本相似度4. 向量数据库Line 31使用 Chroma 存储向量支持高效的相似度搜索可以持久化到磁盘本例未启用5. 检索Line 39-42计算问题与文档的相似度返回最相关的文档块。6. 问答Line 46-52使用distilbert-base-uncased-distilled-squad模型专门用于抽取式问答从上下文中提取答案返回答案和置信度 运行效果运行代码后你将看到 步骤1加载文档... ✅ 加载文档完成长度856 字符 ✂️ 步骤2分割文档... ✅ 文档分割完成共 8 个片段 ️ 步骤3创建向量数据库... ✅ 向量数据库创建完成 ❓ 步骤4用户提问... 用户问题Python中列表和元组有什么区别 步骤5检索相关文档... 检索到的内容Python中列表和元组的区别是什么列表是可变的元组是不可变的。列表用方括号[]定义元组用圆括号()定义。 步骤6生成答案... 模型回答列表是可变的元组是不可变的 置信度0.98如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。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人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传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】