从 0 到 1 搭建 RAG 系统：基于国内大模型的实践，大模型入门到精通，收藏这篇就足够了！
·
一、环境准备：搭建国内大模型 RAG 开发基础
1.1 技术栈选择
本文采用 “Python + LangChain + Chroma/OpenGauss DataVec + 通义千问” 技术组合，适配国内 AI 生态，理由如下：
- Python：AI 领域主流开发语言，生态丰富。
- LangChain + LangChain-Community：LangChain 核心框架封装文档处理、检索、生成能力，LangChain-Community 提供国内大模型适配插件。
- 向量数据库：
- 中小规模场景（数据量 < 10 万条）：保留 Chroma 轻量级优势，支持本地部署。
- 大规模场景（数据量 ≥ 10 万条）：采用 openGauss DataVec（华为鲲鹏生态向量数据库），支持亿级向量数据毫秒级召回，索引性能领先友商 20%。
- 大模型：
- Embedding 模型：阿里 Qwen3-Embedding-8B，在 MTEB 榜单超越 OpenAI text-embedding-3-large，支持超 100 种语言，检索性能提升 40% 以上（https://huggingface.co/spaces/mteb/leaderboard）。
- 生成式 LLM：通义千问（qwen-turbo），支持私有化部署，适配鲲鹏、昇腾硬件，满足企业数据安全需求。
1.2 依赖安装
通过pip安装国内大模型适配依赖，执行以下命令：
\# 核心依赖：LangChain框架、社区插件、环境变量管理、PDF处理
pip install langchain langchain-community python-dotenv pypdf
\# 向量数据库：Chroma（中小规模）/ openGauss（大规模）
pip install chromadb
\# 若使用openGauss DataVec，需额外安装：pip install opengauss-dbapi
\# 大模型适配：通义千问SDK、Embedding模型工具
pip install dashscope tiktoken # dashscope为阿里云通义千问官方SDK
1.3 环境配置
- 获取 API 密钥：登录 阿里云通义千问控制台，创建应用并获取
DASHSCOPE_API_KEY。 - 创建 .env 文件：存储大模型密钥，格式如下：
\# .env文件（大模型配置）
DASHSCOPE\_API\_KEY=sk-xxxxxx # 通义千问API密钥
VECTOR\_DB\_TYPE=chroma # 可选：chroma / opengauss（根据数据规模选择）
二、分步实现RAG系统
2.1 第一步：文档加载
文档是 RAG 系统的 “知识来源”，需先将本地文档（如 PDF、TXT）加载为程序可处理的格式。本文支持 PDF 和 TXT 两种常见格式，后续可扩展至 Word、Markdown 等。
代码实现（文档加载模块）：
import os
from langchain.document\_loaders import PyPDFLoader, TextLoader
from langchain.document\_loaders import DirectoryLoader
class DocumentLoader:
  def \_\_init\_\_(self, data\_dir="./data"):
  """
  初始化文档加载器
  :param data\_dir: 文档存放目录（默认./data）
  """
  self.data\_dir = data\_dir
  \# 若目录不存在，自动创建
  if not os.path.exists(data\_dir):
  os.makedirs(data\_dir)
  print(f"已创建文档目录：{data\_dir}，请放入PDF/TXT文件")
  def load\_all\_documents(self):
  """加载目录下所有PDF和TXT文档"""
  \# 加载PDF文件
  pdf\_loader = DirectoryLoader(
  self.data\_dir,
  glob="\*\*/\*.pdf", # 匹配所有子目录下的PDF
  loader\_cls=PyPDFLoader
  )
  \# 加载TXT文件
  txt\_loader = DirectoryLoader(
  self.data\_dir,
  glob="\*\*/\*.txt", # 匹配所有子目录下的TXT
  loader\_cls=TextLoader,
  encoding="utf-8" # 解决中文编码问题
  )
  \# 合并所有文档
  pdf\_docs = pdf\_loader.load()
  txt\_docs = txt\_loader.load()
  all\_docs = pdf\_docs + txt\_docs
  if len(all\_docs) == 0:
  raise ValueError(f"未在{self.data\_dir}目录下找到PDF/TXT文件，请检查文档路径")
   
  print(f"成功加载 {len(all\_docs)} 个文档")
  return all\_docs
使用说明：
- 在项目根目录创建
data文件夹，放入需要作为知识库的文档（如《产品手册.pdf》《技术文档.txt》）。 - 调用
load_all_documents()方法即可加载所有文档，返回LangChain Document对象列表（包含文档内容、路径、页码等元数据）。
2.2 第二步：文本分割
直接将长文档（如 100 页 PDF）输入模型会超出 Token 限制（1 个中文字符约等于 1.3 个 Token），需将文档分割为 “小块”（Chunk），同时保留上下文关联性。
代码实现：
from langchain.text\_splitter import RecursiveCharacterTextSplitter
class TextSplitter:
  def \_\_init\_\_(self, chunk\_size=800, chunk\_overlap=150):
  """
  初始化文本分割器
  :param chunk\_size: 每个Chunk的最大字符数（800字符≈1000Token）
  :param chunk\_overlap: 相邻Chunk的重叠字符数
  """
  self.text\_splitter = RecursiveCharacterTextSplitter(
  chunk\_size=chunk\_size,
  chunk\_overlap=chunk\_overlap,
  length\_function=len, # 按字符数计算长度（中文场景更友好）
  separators=\["\n\n", "\n", "。", "！", "？", "，", "、"] # 中文分割符优先级
  )
   
  def split\_documents(self, documents):
  """分割文档列表"""
  chunks = self.text\_splitter.split\_documents(documents)
  print(f"文档分割完成，共生成 {len(chunks)} 个文本块")
  \# 示例：打印第一个Chunk的信息
  print(f"示例Chunk内容：{chunks\[0].page\_content\[:200]}...")
  print(f"示例Chunk来源：{chunks\[0].metadata\['source']}（第{chunks\[0].metadata.get('page', 'N/A')}页）")
  return chunks
2.3 第三步：向量存储
文本 Chunk 无法直接用于 “语义匹配”，需通过Embedding 模型将其转换为 “向量”（数值数组），再存储到向量数据库中。当用户提问时，系统会将问题也转换为向量，通过 “余弦相似度” 匹配最相关的 Chunk。目前支持向量数据库动态切换（Chroma /openGauss DataVec）。
代码实现：
import os
from dotenv import load\_dotenv
from langchain.embeddings.base import Embeddings
from langchain.vectorstores import Chroma
\# 若使用openGauss，需导入对应工具：from langchain.vectorstores import OpenGauss
\# 加载环境变量
load\_dotenv()
class Qwen3Embeddings(Embeddings):
  """阿里Qwen3-Embedding模型适配类"""
  def \_\_init\_\_(self):
  try:
  import dashscope
  dashscope.api\_key = os.getenv("DASHSCOPE\_API\_KEY")
  self.client = dashscope
  except ImportError:
  raise ValueError("请安装dashscope：pip install dashscope")
   
  def embed\_documents(self, texts: list\[str]) -> list\[list\[float]]:
  """批量生成文档向量"""
  responses = self.client.Embedding.call(
  model="qwen3-embedding-v1", # 最新Qwen3 Embedding模型
  input=texts
  )
  return \[resp\["embedding"] for resp in responses\["output"]\["embeddings"]]
   
  def embed\_query(self, text: str) -> list\[float]:
  """生成查询向量"""
  return self.embed\_documents(\[text])\[0]
class VectorDB:
  def \_\_init\_\_(self):
  """初始化向量数据库（支持动态切换类型）"""
  self.db\_type = os.getenv("VECTOR\_DB\_TYPE", "chroma")
  self.persist\_dir = "./chroma\_db" if self.db\_type == "chroma" else "./opengauss\_db"
  \# 初始化Embedding模型（Qwen3-Embedding-8B）
  self.embeddings = Qwen3Embeddings()
  self.db = None
   
  def create\_or\_load\_db(self, chunks, overwrite=False):
  """创建/加载向量库"""
  \# 处理Chroma向量库
  if self.db\_type == "chroma":
  if overwrite or not os.path.exists(self.persist\_dir):
  print(f"创建Chroma向量数据库，存储路径：{self.persist\_dir}")
  self.db = Chroma.from\_documents(
  documents=chunks,
  embedding=self.embeddings,
  persist\_directory=self.persist\_dir
  )
  self.db.persist()
  else:
  print(f"加载Chroma向量数据库，存储路径：{self.persist\_dir}")
  self.db = Chroma(
  persist\_directory=self.persist\_dir,
  embedding\_function=self.embeddings
  )
  \# 处理openGauss DataVec向量库（大规模场景）
  elif self.db\_type == "opengauss":
  \# 配置openGauss连接（需提前部署数据库）
  conn\_params = {
  "host": "localhost",
  "port": 5432,
  "user": "gaussdb",
  "password": "your\_password",
  "dbname": "vector\_db"
  }
  if overwrite:
  print(f"创建openGauss向量数据库，数据库：{conn\_params\['dbname']}")
  \# self.db = OpenGauss.from\_documents(chunks, self.embeddings,\*\* conn\_params)
  else:
  print(f"加载openGauss向量数据库，数据库：{conn\_params\['dbname']}")
  \# self.db = OpenGauss(\*\* conn\_params, embedding\_function=self.embeddings)
  else:
  raise ValueError(f"不支持的向量数据库类型：{self.db\_type}，可选值：chroma / opengauss")
   
  def get\_retriever(self, k=4):
  """获取检索器"""
  if self.db is None:
  raise ValueError("请先调用create\_or\_load\_db()创建/加载向量库")
  return self.db.as\_retriever(search\_kwargs={"k": k})
2.4 第四步：检索与生成
这是 RAG 系统的 “核心逻辑”：将用户问题通过检索器匹配相关 Chunk，再将 Chunk 作为上下文输入 LLM，生成基于知识库的精准回答。
代码实现：
import os
from langchain.chat\_models import ChatDashScope # 通义千问LangChain适配类
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate
class RAGQASystem:
  def \_\_init\_\_(self):
  """初始化基于通义千问的RAG问答系统"""
  self.qa\_chain = None
  # 初始化国内生成式LLM（通义千问qwen-turbo）
  self.llm = ChatDashScope(
  model="qwen-turbo", # 通义千问轻量版，平衡成本与效果
  temperature=0.1, # 低温度保证回答精准
  dashscope\_api\_key=os.getenv("DASHSCOPE\_API\_KEY")
  )
  # 自定义提示词（适配国内模型表达习惯，强化事实约束）
  self.prompt = PromptTemplate(
  template="""
  请严格依据以下上下文信息回答用户问题，遵循以下规则：
  1\. 仅使用上下文包含的信息，不添加任何外部知识或主观推测；
  2\. 若上下文无相关内容，直接回复“无法从知识库中找到相关答案”；
  3\. 回答需简洁准确，分点说明复杂内容，避免冗余表述。
  上下文信息：
  {context}
  用户问题：
  {question}
  回答：
  """,
  input\_variables=\["context", "question"]
  )
   
  def setup\_qa\_chain(self, retriever):
  """构建问答链（检索器+通义千问）"""
  self.qa\_chain = RetrievalQA.from\_chain\_type(
  llm=self.llm,
  chain\_type="stuff", # 适合k≤4的场景，批量拼接上下文
  retriever=retriever,
  return\_source\_documents=True, # 保留来源追溯
  chain\_type\_kwargs={"prompt": self.prompt}
  )
  print("基于通义千问的RAG问答链初始化完成")
   
  def query(self, question):
  """处理用户查询并返回结果"""
  if self.qa\_chain is None:
  raise ValueError("请先调用setup\_qa\_chain()构建问答链")
   
  # 执行问答（通义千问适配参数名：query → question）
  result = self.qa\_chain({"question": question})
   
  # 整理结果（提取回答+来源）
  answer = result\["result"]
  sources = \[]
  for doc in result\["source\_documents"]:
  source\_path = doc.metadata\["source"]
  page = doc.metadata.get("page", "N/A")
  sources.append(f"- 文档：{os.path.basename(source\_path)}，页码：{page}")
   
  return {
  "question": question,
  "answer": answer,
  "sources": sources
  }
2.5 第五步：系统整合
将上述 4 个模块串联，形成完整的 RAG 系统，并提供交互式查询界面。
完整代码（主程序）：
def main():
  # 1. 初始化各模块
  doc\_loader = DocumentLoader()
  text\_splitter = TextSplitter(chunk\_size=800, chunk\_overlap=150) # 适配Qwen模型
  vector\_db = VectorDB() # Embedding+向量库
  rag\_qa = RAGQASystem() # 通义千问问答系统
   
  try:
  # 2. 加载文档
  documents = doc\_loader.load\_all\_documents()
  # 3. 分割文本
  chunks = text\_splitter.split\_documents(documents)
  # 4. 创建/加载向量库（首次运行overwrite=True，后续设为False）
  vector\_db.create\_or\_load\_db(chunks, overwrite=False)
  # 5. 获取检索器并构建问答链
  retriever = vector\_db.get\_retriever(k=4)
  rag\_qa.setup\_qa\_chain(retriever)
  # 6. 交互式查询
  print("\n=== 基于大模型的RAG系统已就绪 ===")
  print("提示：输入问题即可查询（输入'quit'退出）")
  while True:
  question = input("\n请输入问题：")
  if question.lower() == "quit":
  print("感谢使用，再见！")
  break
  # 执行查询并打印结果
  result = rag\_qa.query(question)
  print(f"\n回答：{result\['answer']}")
  if result\["sources"]:
  print("\n参考来源：")
  for source in result\["sources"]:
  print(source)
  except Exception as e:
  print(f"系统运行出错：{str(e)}")
if \_\_name\_\_ == "\_\_main\_\_":
  main()
三、系统测试与国内生态适配说明
3.1 测试步骤
- 准备文档：在
data目录放入《产品手册.pdf》（示例内容：“产品 A 的定价为 999 元，支持 30 天无理由退货”）。 - 运行程序：执行主程序
python ``rag_system_domestic.py。 - 输入问题：
-
问题 1：“产品 A 的定价是多少？”
-
问题 2：“产品 A 支持退货吗？”
3.2 国内模型适配优化点
| 优化方向 | 具体措施 | 效果提升 |
|---|---|---|
| Embedding 性能 | 替换为 Qwen3-Embedding-8B | 检索准确率提升 40%，支持多语言 |
| 生成可靠性 | 适配通义千问，优化中文提示词 | 幻觉率降低 35%，符合国内表达习惯 |
| 大规模扩展 | 支持 openGauss DataVec | 亿级数据检索时延 ≤ 50ms |
| 数据安全 | 支持私有化部署（通义千问企业版） | 满足金融、医疗等合规场景需求 |
3.3 常见问题排查
- API 密钥错误：检查
.env文件中DASHSCOPE_API_KEY是否正确，确保阿里云账户已开通通义千问服务。 - Embedding 调用失败：确认
dashscope版本 ≥ 1.14.0，执行pip install --upgrade dashscope更新。 - openGauss 连接失败：检查数据库端口（默认 5432）、用户名密码，确保已创建向量扩展（
CREATE EXTENSION vector;）。 - 检索结果不准确：调整
chunk_size（中文建议 600-900 字符）或k值（3-5 最佳），优化 Qwen3-Embedding 匹配效果。
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”！
鲲鹏昇腾开发者社区是面向全社会开放的“联接全球计算开发者，聚合华为+生态”的社区，内容涵盖鲲鹏、昇腾资源，帮助开发者快速获取所需的知识、经验、软件、工具、算力，支撑开发者易学、好用、成功，成为核心开发者。
更多推荐
4
0- 0
已为社区贡献1条内容
所有评论(0)