你好，我是方可乐。 一个正在深耕AI编程的30+的程序员。 AI编程开发过100+小工具的在线网站（目标是干到500个），浏览器插件，微信小程序，AI智能体，RAG系统。

为什么我要做这个RAG系统？

目前很多企业都在做AI的赋能和转型，利用AI构建知识库能力，渐渐成为企业内部工具的标配。

在AI时代，想要成为AI应用开发相关的从业者，了解如何构建RAG系统，不管是出于工作需要还是学习提升自身能力，我认为都是一件很有必要的事情。

我为什么要做这件事呢？

除了以上原因，我觉得还是好奇。

好奇这整个链路都是怎么做的？好奇当前企业在做RAG的痛点在什么地方？好奇如何去解决这些痛点？

于是我携手Cursor，开始了我的RAG系统开发之旅。

RAG系统是什么？

RAG 系统的全称是 Retrieval-Augmented Generation（检索增强生成），是一种结合了 信息检索（Retrieval） 和 文本生成（Generation） 的人工智能技术架构，常用于构建智能问答系统、企业知识库助手、文档搜索问答系统等。它的核心目标是：让大语言模型不仅靠“记忆”（训练数据）回答问题，还能“查资料”再回答，提高准确性与时效性。

RAG 系统的结构分为两大核心模块

检索模块（Retriever）

作用：从外部知识库中，检索与用户问题相关的文档或片段（称为上下文 context）。

方式： 基于关键词（如 BM25） 基于向量相似度（使用 Embedding + 向量数据库） 混合检索（Hybrid Retrieval：关键词 + 向量）

工具：如 FAISS、Chroma、Milvus、Weaviate 等向量数据库

生成模块（Generator）

作用：将检索回来的上下文和用户问题一并输入到大语言模型（如 GPT、ChatGLM、DeepSeek）中，生成回答。

通常格式为：

代码块 [系统提示词 + 检索上下文 + 用户问题] → LLM → 回答结果

RAG 的基本流程图

代码块 A[用户提问] --> B[文本向量化]--> C[向量数据库检索相关内容]--> D[拼接上下文 + 问题]--> E[语言模型生成回答]

拆解做一个RAG系统

从上面的介绍，可以了解到，做一个RAG系统，分两条线：一、数据存放到向量数据库 二、检索知识并生成答案

数据存储这块，我分了5个步骤：

文档导入

文档预处理

文档切块

切块向量化

切块数据向量化

检索这块，大概也有5个步骤：

用户提问

用户提问文本向量化

到向量数据库检索内容

对检索到的内容进行排名

拼接问题+检索到的内容，发送给大模型生成规定格式/可读性较强的答案。

其实步骤都很清晰，为什么能做出来一个RAG系统的人，并不多呢？

原因在于上面的步骤，都有很多隐藏的坑。

看看我是如何挨个解决的。

数据存储

为了更好的阅读体验，来飞书看吧：

https://fdbs3cqzmm.feishu.cn/docx/BqE1dJwvkoNXcPxbcTLcp7DMnPb