面向中文开发者的端到端 RAG 实战案例：数据摄取、切块、检索与生成全流程，配可复制粘贴的代码，看完即可动手改造。

披露：本文部分链接为联盟链接。若你通过这些链接购买，Catai 可能获得佣金，且不会增加你的任何成本。我们只推荐亲自测试过的产品。

检索增强生成（RAG）听上去很唬人，真正跑通一遍你就会发现它只是几个朴素步骤的串联。本文带你从零搭一条虽小但完整的流水线：加载文档、切成合理的块、做向量化并存储、按问题检索最相关的段落，再把这些段落交给语言模型生成有据可依的回答。读完你会得到一个可以复用到几乎任何知识库助手的心智模型。

你将搭建什么

一个能回答”你自己文档”相关问题的单文件流水线。它读取纯文本或 Markdown，维护一个本地向量索引，并让回答附带来源段落——方便你信任结果，也方便你排查问题。

前置要求

会跑脚本、会装依赖即可。全程不需要 GPU，一台笔记本处理几百篇文档绰绰有余。若日后要扩到更大规模，可以再考虑租用AI 副业项目云算力，但跟着本文走完全用不到。

第 1 步 —— 摄取与规范化

逐篇读入文档，去掉模板噪声，附上元信息（来源路径、标题、日期）。干净的输入是决定最终答案质量的最大杠杆——语料脏，检索就脏，再好的模型也救不回来。

第 2 步 —— 有意识地切块

不要按字符数硬切。先按结构切（标题、段落），再把过小的片段合并到目标大小，并保留少量重叠，避免上下文在句子中间被截断。这里的取舍足够重要，我们在RAG 检索优化：切块策略实战对比里做了专门比较。

第 3 步 —— 向量化、存储、检索、生成

每个块只向量化一次并存好；查询时把问题向量化，取回最近的 top-k 块，连同问题一起交给模型。务必把检索到的来源放进提示词，并要求模型只依据这些来源作答。

常见坑

  • 块太大：检索回来一大坨，精度崩溃。
  • 无重叠：答案在块边界处被截断。
  • 不展示来源：分不清是幻觉还是有据可依。

小结

一条能用的 RAG 流水线就是五个诚实的步骤，没有魔法。把摄取和切块做扎实，其余水到渠成。准备好面向真实用户时，去看看别人在生产环境里是怎么做的。

延伸阅读