从零实现一个简单的 RAG 系统

最近，检索增强生成（Retrieval-Augmented Generation，简称 RAG）在人工智能和大模型领域中崭露头角，成为一种极具潜力的新范式。

RAG 将信息检索与文本生成相结合，通过引入外部知识源来提升大模型的表现。这种方法已在问答系统、对话系统以及内容生成等多种应用中展现出令人期待的成果。

在这篇文章中，作者将带你深入了解 RAG 的工作原理，并使用 Python 和 Ollama 从零构建一个简单的 RAG 系统。通过这个项目，你将掌握 RAG 系统的核心组成部分，并学会如何利用基础的编程概念实现它。可以说实用满满。

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。

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：

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。

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-ggufollama 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 digestwriting manifestsuccess

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 ollamaEMBEDDING_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：

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：

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：

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。

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。

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。

RAG 图书推荐

张其来，徐思琪 | 著

一本注重 RAG 上手实践的书，没有堆术语，而是把整套 RAG 技术拆解得明明白白。

全书共 7 章内容，作者从背景原理讲起，到怎么搭框架、怎么处理数据、怎么做检索、生成、优化，每一块都有图、有例子，逻辑也特别清晰。甚至最后还贴心地加了个完整实战项目，让你从头跑一遍系统都不带卡壳的。

作者绘制了超多流程图，帮助你理解复杂的概念。

如果你想把 RAG 真正用起来，这本书一定不要错过！ 

扫描进群，大模型知识学习不迷路👇