AI工程师私藏干货：从零构建企业级RAG知识库，附完整Python代码

为了更深入理解RAG原理，便于调优，这次我们用纯代码，从零开始完成一次RAG探秘之旅。

老规矩，先看最终效果。

我选取了“信贷业务手册.docx”文档作为本地知识库语料，500页，40万字。

在提问后，大模型调用本地知识库进行思考，输出结果还不错。

实现上述效果，基本可分为这几步：

• 处理本地知识库文本
• 完成文本分块、向量化和存储
• 构建RAG版chat
• 增加一个前端页面用于展示

以上步骤我后面会详细展开，在此之前，应大家的私信请求，先带大家了解RAG的原理。

这是落地实现和调优的依据和关键！

一、重要补充

1、RAG的原理

RAG是用本地知识库做补充，让最终的答案能更个性化、更有针对性。

整个过程分为建立索引和检索生成两个大的阶段，具体原理如下：

阶段一：建立索引

1）读取本地知识库文本，包括pdf、doc、ppt、excel、txt、md等；

2）将文本分割成不同的块（trunk），包括Split by Sentences、fix character count、overlapping window、RescursiveCharacterTextSpiltter等方法；

3）将切好的文本块转换成向量；

4）将向量存储到向量数据库，以便后续使用

阶段二：检索生成

1）将用户的Prompt转换成向量

2）将用户提示词向量与向量数据库中的向量做相似度匹配，找到相似的内容

3）把检索出来的相似内容和用户的问题拼接在一起，作为新的Prompt，给到大模型

4）大模型根据新的Prompt进行回答，相当于本地知识库中检索出来的内容将作为上下文供大模型参考

总结下来，RAG的整体运作流程如下：

2、RAG的调优策略

根据RAG原理，不难发现：如果想要获得高质量的、精准的答案，每一个环境都需要做好调优，才能达到最佳效果。

第一，索引建立阶段的调优

1）原始知识库文本的质量提升，包括数据清洗和标准化

2）文本分割成不同的块，分块策略的优化

3）将切好的文本块转换成向量，embbeding模型的调优

4）文本元数据的增强，比如更新时间，方便检索到最新版本

第二，检索阶段的调优

1）使用混合检索策略，比如向量+关键字

2）查询语言转写，相当于对用户的提示词进行治理

3）对向量数据库进行重排序（rerank）

第三，生成阶段的调优

1）优化提示词，比如增加系统提示词，做好限制

2）生成内容控制，比如对llm做微调

3）幻觉抑制，比如设置相似度的置信区间

其他

1）比如使用多模态的Embedding模型，支持图片、表格等非文本数据检索

2）增加评估模块，自动识别无效检索，并调用补充搜索

好了，知道了原理，就开始一步步建立成自己的RAG吧。

二、实现过程

1、环境准备

1. 安装python3.10+以上版本

2. 安装依赖包，可以放在requirements.txt中，通过pip install -r requirements.txt 命令安装

langchain openai faiss-cpu flask unstructured[all-docs] sentence-transformers

3） 新建python工程，工程目录如下

RAGChat/ ├── config.json ├── data/ │ └── # 存放导入的文本文件 ├── app.py ├── utils/ │ ├── data_loader.py │ ├── text_splitter.py │ └── embedding.py ├── chatbot/ │ ├── rag_chatbot.py └── frontend/ ├── app.py └── templates/ └── chat.html

2、配置文件，confg.json，填写好自己的url、model和apikey

{ "llm": { "default": "deepseek", "models": { "deepseek": { "url": "your_deepseek_url", "model": "your_deepseek_model", "apikey": "your_deepseek_apikey" }, "other_model": { "url": "your_other_model_url", "model": "your_other_model", "apikey": "your_other_model_apikey" } } }, "embedding": { "default": "bge-large-zh-v1.5", "models": { "bge-large-zh-v1.5": { "url": "your_bge_url", "model": "BAAI/bge-large-zh-v1.5", "apikey": "" }, "other_embedding_model": { "url": "your_other_embedding_url", "model": "your_other_embedding_model", "apikey": "your_other_embedding_apikey" } } } }

3、处理本地知识库文本

1）删除空白页

2）去除图片，如果图片里有文字，OCR为文字

（因为开源免费的embedding模型就那几个，不支持多模态）

3）word文档转markdown格式

（这样对大模型更友好，转换工具参考AI辅助工具：各种文档转Markdown）

（转换前）

（转换后）

4、文本分块、向量化和存储

1）本地知识库文本，要放到“data/”目录

2）核心代码

• 加载文本：langchain.document_loaders.load_documents
• 文本分块：langchain.document_loaders.RecursiveCharacterTextSplitter（递归）
• 文本向量化：HuggingFaceEmbeddings
• 存储向量：FAISS.from_documents

执行结果

以下为详细代码，如果比较熟悉，可忽略，直接到第5点。

文本加载代码 data_loader.py

import os from langchain.document_loaders import PyPDFLoader, UnstructuredMarkdownLoader, UnstructuredWordDocumentLoader, \ UnstructuredPowerPointLoader, UnstructuredExcelLoader, TextLoader def load_documents(data_dir): if not os.path.exists(data_dir): print(f"数据目录 {data_dir} 不存在，请检查路径。") return [] documents = [] # 遍历数据目录下的所有文件 for root, dirs, files in os.walk(data_dir): for file in files: file_path = os.path.join(root, file) try: if file.endswith('.txt'): loader = TextLoader(file_path, encoding='utf-8') elif file.endswith('.pdf'): loader = PyPDFLoader(file_path) elif file.endswith('.md'): loader = UnstructuredMarkdownLoader(file_path) elif file.endswith(('.doc', '.docx')): loader = UnstructuredWordDocumentLoader(file_path) elif file.endswith(('.ppt', '.pptx')): loader = UnstructuredPowerPointLoader(file_path) elif file.endswith(('.xls', '.xlsx')): loader = UnstructuredExcelLoader(file_path) else: print(f"不支持的文件类型: {file_path}，跳过该文件") continue loaded_docs = loader.load() documents.extend(loaded_docs) print(f"成功加载文件: {file_path}") except Exception as e: print(f"加载文件 {file_path} 失败: {e}") return documents

文本分割代码 text_splitter.py

from langchain.text_splitter import RecursiveCharacterTextSplitter def split_text(documents): text_splitter = RecursiveCharacterTextSplitter( chunk_size=1000, chunk_overlap=200, length_function=len ) texts = text_splitter.split_documents(documents) return texts from langchain.text_splitter import CharacterTextSplitter def split_text(documents): if not documents: print("输入的文档列表为空，无法进行分割。") return [] text_splitter = CharacterTextSplitter( separator="\n", chunk_size=1000, chunk_overlap=200, length_function=len ) texts = text_splitter.split_documents(documents) print(f"成功分割出 {len(texts)} 个文本块。") return texts

文本向量化代码 embedding.py

import json from langchain.embeddings import HuggingFaceEmbeddings def get_embeddings(): with open('config.json', 'r') as f: config = json.load(f) embedding_config = config['embedding']['models'][config['embedding']['default']] model_name = embedding_config['model'] # 如果不能科学上网，可以使用本地模型初始化嵌入 embeddings = HuggingFaceEmbeddings(model_name=model_name) # Test embedding generation test_text = "This is a test sentence." try: test_embedding = embeddings.embed_query(test_text) print(f"Test embedding length: {len(test_embedding)}") except Exception as e: print(f"Error generating test embedding: {e}") return embeddings

5、构建RAG版chat

1）先明确流程

在客户输入问题之后，调用大模型之前，先进行本地知识库向量查询，拼接查询结果+历史聊天记录+客户问题=>形成新的提示词，再丢给大模型

2）核心代码：

加载向量：FAISS.load_local

初始化大模型：langchain_openai.ChatOpenAI

检索并生成：RetrievalQA.from_chain_type

以下为RAG聊天机器人核心代码 rag_chatbot.py

import json import os from langchain.vectorstores import FAISS from langchain.chains import RetrievalQA from langchain_openai import ChatOpenAI from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler from utils.data_loader import load_documents from utils.text_splitter import split_text from utils.embedding import get_embeddings class RAGChatbot: def __init__(self, data_dir='data', vectorstore_path='vectorstore'): self.data_dir = data_dir self.vectorstore_path = vectorstore_path self.embeddings = get_embeddings() if os.path.exists(self.vectorstore_path): try: self.vectorstore = FAISS.load_local( self.vectorstore_path, self.embeddings, allow_dangerous_deserialization=True ) print("Successfully loaded vector store from local") except Exception as e: print(f"Failed to load local vector store: {e}, will recreate") self.documents = load_documents(self.data_dir) self.texts = split_text(self.documents) if not self.texts: print("Warning: 'self.texts' list is empty. Please check document loading and splitting.") return self.vectorstore = FAISS.from_documents(self.texts, self.embeddings) self.vectorstore.save_local(self.vectorstore_path) else: self.documents = load_documents(self.data_dir) self.texts = split_text(self.documents) if not self.texts: print("Warning: 'self.texts' list is empty. Please check document loading and splitting.") return self.vectorstore = FAISS.from_documents(self.texts, self.embeddings) self.vectorstore.save_local(self.vectorstore_path) self.qa = self._init_qa_chain() def _init_qa_chain(self): with open('config.json', 'r') as f: config = json.load(f) llm_config = config['llm']['models'][config['llm']['default']] api_key = llm_config.get('apikey') model = llm_config.get('model') temperature = llm_config.get('model_kwargs', {}).get('temperature', 0.7) max_tokens = llm_config.get('model_kwargs', {}).get('max_length', 512) # 添加 StreamingStdOutCallbackHandler 以支持流式输出 llm = ChatOpenAI( base_url=llm_config.get('url'), api_key=api_key, model=model, temperature=temperature, max_tokens=max_tokens, streaming=True, # 这里先移除默认的回调，后面在 ask_stream 中自定义 callbacks=[] ) retriever = self.vectorstore.as_retriever() qa = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=retriever ) # 保存 llm 实例到类属性 self.llm = llm return qa def ask_stream(self, question, history): context = "" for item in history: if item['role'] == 'user': context += f"User: {item['content']}\n" elif item['role'] == 'bot': context += f"Bot: {item['content']}\n" context += f"User: {question}\nBot: " class CustomCallbackHandler(StreamingStdOutCallbackHandler): def __init__(self): super().__init__() def on_llm_new_token(self, token: str, **kwargs) -> None: print(f"Received token: {token}") yield token callback_handler = CustomCallbackHandler() try: response = self.qa.stream( {"query": context}, callbacks=[callback_handler] ) for chunk in response: print(f"Received chunk: {chunk}",flush=True) if 'result' in chunk: answer_chunk = chunk['result'] for char in answer_chunk: yield char except Exception as e: print(f"ask_stream 方法出现异常: {e}") yield str(e)

6、最后一步，增加一个前端，then have fun

使用flask框架，新增一个前端，支持流式输出和多轮对话。

前端代码包括app.py和chat.html，代码太长，不便附在文中，需要者关注公众号获取。

注意事项

1. 工程的目录结构要和上面的保持一致

2）记得在config.json里面配置好自己的apikey

3）启动服务：在工程根目录，执行 python .\frontend\app.py

4）启动之后，通过页面http://localhost:5000进行访问

根目录的app.py是不带前端的版本，提问通过cmd终端发起，前期调试程序的时候可以用。调通之后，可以删除。

最后吐槽一下，用langchain调用国产大模型。以及调试流式生成，真的是废了老鼻子劲了！强烈建议使用llama_index，会方便很多。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！