【必学收藏】Python实现RAG系统：检索增强生成技术入门与实战，大模型开发者的必备技能

文章介绍了检索增强生成(RAG)技术，通过引入外部知识源提升大模型表现。文章解释了RAG的工作原理，包括检索模型和生成模型，并指导读者使用Python和ollama从零构建RAG系统，涵盖索引、检索和生成三个阶段。此外，还介绍了RAG的改进空间和其他实现方式。

1、什么是RAG

我们先从一个没有使用 RAG的简单聊天机器人说起：

这个聊天机器人可以根据训练数据回答常见问题，但它无法访问最新的信息或特定领域的知识。

举个现实例子：你问 ChatGPT——“我妈妈叫什么名字？”

它当然回答不了，因为它无法访问外部信息，比如你的家庭成员资料。

要解决这个问题，我们需要给模型补充外部知识。比如在这个例子里，我们可以提供一份“家庭成员名单”作为外部知识来源。

RAG 系统的两个核心组成部分：

• 检索模型（Retrieval Model）：从外部知识源（例如数据库、搜索引擎或知识库）中找出与问题最相关的信息。
• 生成模型（Language Model）：在检索到的信息基础上，生成最终的自然语言回答。

RAG 的实现方式有多种，比如Graph RAG、Hybrid RAG、Hierarchical RAG等，我们会在文章结尾简单介绍。

2、构建一个极简的RAG系统

下面我们来搭建一个简单的 RAG 系统，它能从预定义的数据集中检索信息，并基于检索结果生成回答。这个系统包括三个主要部分：

• Embedding 模型：一种预训练语言模型，用来把输入文本转换成向量，即能表示语义的数值形式。这些向量可以用来在数据集中查找相似内容。
• 向量数据库：用来存储知识及其对应的向量。常见的向量数据库包括 Qdrant、Pinecone、pgvector 等，但这里我们将从零实现一个简单的内存版数据库。
• 聊天机器人：根据检索结果生成回答的语言模型，可以是 Llama、Gemma 或 GPT 等。

索引阶段

构建 RAG 系统的第一步是索引。在这个阶段，我们需要把数据集（或文档）拆分成更小的片段（chunks），并为每个片段计算一个向量表示，方便后续快速检索。

不同应用场景下，片段大小会有所不同：

• 文档检索系统中，一个片段可以是一段文字或一句话；
• 对话系统中，一个片段可以是一轮对话。

索引完成后，每个片段和它对应的向量都会被存入向量数据库中。下图展示了索引阶段后，数据库中数据的大致结构示例：

这些向量表示之后可以用来根据用户的查询检索相关信息。

你可以把它想象成 SQL 语句里的 WHERE条件，但不同的是，这里不是精确匹配文本，而是根据向量之间的语义相似度来查找最相关的片段。

为了比较两个向量的相似度，我们可以使用余弦相似度（cosine similarity）、欧几里得距离（Euclidean distance）或其他距离度量方法。

在这个示例中，我们将使用余弦相似度。下面是向量 A 和向量 B 之间的余弦相似度公式：

如果你对上面的公式还不太熟悉，也不用担心——我们会在下一节中亲手实现它。

检索阶段

如下图所示，当用户Input Query 时，系统会先将这个查询转换成一个Query Vector，然后将其与向量数据库中的所有向量进行比较，以找到最相关的文本片段（chunks）。

Vector Database返回的结果会包含与查询最相关的前 N 个片段，接下来 Chatbot 会基于这些片段生成最终的回答。

3、开始写代码吧

在这个示例中，我们将用 Python 实现一个简单版本的 RAG 系统。

为了运行模型，我们会使用ollama—— 一款命令行工具，可以直接运行来自 Hugging Face 的模型。

使用 ollama，你不需要连接服务器或云服务，就能在自己的电脑上本地运行模型。

我们将使用以下两个模型：

• Embedding 模型：hf.co/CompendiumLabs/bge-base-en-v1.5-gguf

• 语言模型（Language Model）：hf.co/bartowski/Llama-3.2-1B-Instruct-GGUF

至于数据集，我们会用一份关于 cat 的简单事实列表。在索引阶段，每一条事实都会被当作一个独立的文本片段。

下载 ollama 和模型

首先，从官方网站 ollama.com 安装ollama。

安装完成后，打开终端，运行以下命令来下载所需的模型：

ollama pull hf.co/CompendiumLabs/bge-base-en-v1.5-gguf ollama pull hf.co/bartowski/Llama-3.2-1B-Instruct-GGUF

如果你看到下面这个输出结果，那说明你的安装成功了：

pulling manifest ... verifying sha256 digest writing manifest success

在继续之前，为了在 Python 中使用 ollama，我们还需要安装 ollama 的 Python 包：

pip install ollama

加载数据集

接下来，创建一个 Python 脚本，并将数据集加载到内存中。这个数据集包含了一系列关于 cat 的事实，每条事实将在索引阶段作为一个片段使用。

你可以从这里下载示例数据集。下面是一个加载数据集的示例代码：

dataset = [] with open('cat-facts.txt', 'r') as file: dataset = file.readlines() print(f'Loaded {len(dataset)} entries')

实现向量数据库

现在，我们来实现向量数据库。

我们将使用 ollama 的 embedding 模型，将每个片段转换为向量表示，然后将片段及其对应的向量存入到一个列表中。

下面是一个计算给定文本向量表示的示例函数：

import ollama EMBEDDING_MODEL = 'hf.co/CompendiumLabs/bge-base-en-v1.5-gguf' LANGUAGE_MODEL = 'hf.co/bartowski/Llama-3.2-1B-Instruct-GGUF' # Each element in the VECTOR_DB will be a tuple (chunk, embedding) # The embedding is a list of floats, for example: [0.1, 0.04, -0.34, 0.21, ...] VECTOR_DB = [] def add_chunk_to_database(chunk): embedding = ollama.embed(model=EMBEDDING_MODEL, input=chunk)['embeddings'][0] VECTOR_DB.append((chunk, embedding))

在这个示例中，为了简单起见，我们将数据集中的每一行都视为一个片段。

for i, chunk in enumerate(dataset): add_chunk_to_database(chunk) print(f'Added chunk {i+1}/{len(dataset)} to the database')

实现检索函数

接下来，我们来实现检索函数。该函数接收一个查询，并根据余弦相似度返回与查询最相关的前 N 个片段。

可以理解为：两个向量的余弦相似度越高，它们在向量空间中就越接近，也就意味着它们在语义上越相似。

下面是一个计算两个向量余弦相似度的示例函数：

def cosine_similarity(a, b): dot_product = sum([x * y for x, y in zip(a, b)]) norm_a = sum([x ** 2 for x in a]) ** 0.5 norm_b = sum([x ** 2 for x in b]) ** 0.5 return dot_product / (norm_a * norm_b)

现在，我们来实现检索函数：

def retrieve(query, top_n=3): query_embedding = ollama.embed(model=EMBEDDING_MODEL, input=query)['embeddings'][0] # temporary list to store (chunk, similarity) pairs similarities = [] for chunk, embedding in VECTOR_DB: similarity = cosine_similarity(query_embedding, embedding) similarities.append((chunk, similarity)) # sort by similarity in descending order, because higher similarity means more relevant chunks similarities.sort(key=lambda x: x[1], reverse=True) # finally, return the top N most relevant chunks return similarities[:top_n]

生成阶段

在这一阶段，聊天机器人将根据上一步检索到的知识生成回答。具体做法是：将相关片段加入到提示语（prompt）中，然后将提示语作为聊天机器人的输入。

例如，可以这样构建一个提示语：

input_query = input('Ask me a question: ') retrieved_knowledge = retrieve(input_query) print('Retrieved knowledge:') for chunk, similarity in retrieved_knowledge: print(f' - (similarity: {similarity:.2f}) {chunk}') instruction_prompt = f'''You are a helpful chatbot. Use only the following pieces of context to answer the question. Don't make up any new information: {'\n'.join([f' - {chunk}' for chunk, similarity in retrieved_knowledge])} '''

然后，我们使用ollama来生成回答。在这个示例中，我们将把instruction_prompt作为系统消息使用：

stream = ollama.chat( model=LANGUAGE_MODEL, messages=[ {'role': 'system', 'content': instruction_prompt}, {'role': 'user', 'content': input_query}, ], stream=True, ) # print the response from the chatbot in real-time print('Chatbot response:') for chunk in stream: print(chunk['message']['content'], end='', flush=True)

整合全部步骤

完整代码可以在此文件（https://huggingface.co/ngxson/demo_simple_rag_py/blob/main/demo.py）中找到。

运行代码的方法：将其保存为 demo.py 文件，然后执行以下命令：

python demo.py

现在，你可以向聊天机器人提问，它会根据从数据集中检索到的知识生成回答。

Ask me a question: tell me about cat speed Retrieved chunks: ... Chatbot response: According to the given context, cats can travel at approximately 31 mph (49 km) over a short distance. This is their top speed.

改进空间

到目前为止，我们已经用一个小数据集实现了一个简单的 RAG 系统，但它仍然存在不少局限：

• 无法处理多主题问题：当问题同时涉及多个主题时，系统往往给不出理想答案。这是因为当前的系统只根据“查询与片段的相似度”检索信息，而没有考虑查询的上下文。一个改进思路是——让聊天机器人根据用户输入生成自己的查询语句，再用这个生成的查询去检索知识；或者使用多个查询来获取更全面的信息。

• 检索结果排序不够精准：当前返回的是余弦相似度最高的前 N 个片段，但这不一定是最优结果，尤其当每个片段信息量很大时。改进方式是使用重排序模型，在初步检索结果的基础上再次根据相关性进行排序。

• 数据库可扩展性不足：我们现在的数据库是基于内存的，当数据量变大时就难以扩展。可以改用更高效的向量数据库，比如Qdrant、Pinecone、pgvector等。

• 分片策略过于简单：目前我们是以“句子”为一个片段。对于更复杂的任务，可能需要使用更精细的分块技术来拆分数据集，甚至在入库前对每个片段进行预处理（如去噪、摘要、关键词提取等）。

• 语言模型规模有限：示例中使用的语言模型只有 10 亿参数（1B），对于更复杂的任务，可能需要使用更大的模型来生成更高质量的回答。

4、其他类型的 RAG

在实际应用中，RAG 的实现方式多种多样。以下是几种常见类型：

• Graph RAG（图结构 RAG）：将知识源表示为图结构，节点代表实体，边表示实体之间的关系。模型可以在图中“漫游”以检索相关信息。目前这一方向的研究非常活跃，可以参考相关的 Graph RAG 论文合集。

• Hybrid RAG（混合 RAG）：结合知识图谱（Knowledge Graph, KG）与向量数据库技术，以提升问答系统的表现。

• Modular RAG（模块化 RAG）：这种 RAG 超越了传统的“检索—生成”两步流程，引入了路由、调度和融合机制，从而形成一个灵活可重组的框架。它支持多种 RAG 模式（线性、条件、分支、循环等），能更好地应对复杂、知识密集型任务。

总结

RAG 的出现，让大模型能够更好地利用外部知识，显著提升了其准确性和实用性。

通过从零实现一个简单的 RAG 系统，我们理解了embedding（向量表示）、**retrieval（检索）**和 **generation（生成）**的核心概念。

尽管这个实现还很基础，但它展现了支撑实际生产环境中高级 RAG 系统的底层原理。

未来，RAG 的改进空间仍然广阔：从优化向量数据库的性能，到探索 Graph RAG、Hybrid RAG 等新架构，这一领域仍在快速演进中。RAG 将继续作为连接语言模型和外部知识的关键技术，帮助 AI 在保持生成能力的同时，变得更聪明、更可靠。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到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】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！