时间：2026-03-18 18:31
人气：
作者：admin
全网最细 RAG 工程实战教程（2026 大佬版）｜小白也能落地，附可直接运行代码
最近在做 AI 大模型相关的课程小项目，本来想做个“私有文档问答”，结果一开始被各种概念绕晕：RAG、Embedding、向量数据库、文本分块、检索增强……越看越懵。
前后踩了无数坑：环境装不上、代码跑不通、PDF 读不出来、检索出来全是无关内容、大模型还在瞎编。
折腾了快两周，终于把最简单、最能跑、最容易理解的一整套 RAG 流程跑通了。
今天这篇文章，我用最小白、最通俗、最不官方的话，把 RAG 从 0 到 1 讲清楚，代码全部可直接复制运行，不管你是大二大三、刚学 Python，还是完全不懂 AI，跟着做就能成功。
RAG = 检索增强生成（Retrieval-Augmented Generation）
大白话解释：
大模型本身不知道你本地文档里的内容（比如你的笔记、PDF、手册）
直接问，大模型只会瞎编（幻觉）
RAG 就是：先从你的文档里找答案 → 再把找到的内容给大模型 → 让大模型用这些内容回答
就这么简单！
把你的 PDF / TXT 读进来
把长文章切成小段（文本分块）
把每段变成“向量”（Embedding）
存进向量数据库（方便快速查找）
你提问题 → 系统去数据库找最相关的几段
把这几段丢给大模型 → 得到真实答案
新建一个文件夹，打开终端执行：
pip install langchain chromadb pypdf openai python-dotenv
各库作用（小白不用记，知道就行）：
langchain：RAG 最常用框架，帮我们整合所有步骤
chromadb：本地轻量向量数据库（不用安装服务器，直接跑，小白友好）
pypdf：专门读取 PDF 文件，解决小白“读不出PDF”的痛点
openai：调用 OpenAI 大模型和向量模型
python-dotenv：安全存放 API Key，避免泄露
新建文件，命名为：1_load_and_split.py（文件名别改，后续会调用）
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
# 1. 加载 PDF（把你自己的 PDF 放在同目录下，替换文件名即可）
loader = PyPDFLoader("test.pdf") # 重点：改成你的 PDF 文件名（比如 课程笔记.pdf）
documents = loader.load()
# 2. 文本分块（最关键！新手直接用我的参数，不用改，避开踩坑）
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=800, # 每块文本的字符数（中文800字符≈200字，适配大模型）
chunk_overlap=100, # 块之间重叠100字符，保证句子不被切断，语义连贯
separators=["\n\n", "\n", "。", "！", "？", " "] # 按中文标点拆分，更贴合中文语义
)
texts = text_splitter.split_documents(documents)
# 打印结果，验证是否成功
print("文档总页数：", len(documents))
print("分块后总数：", len(texts))
print("✅ 加载 & 分块完成！")
运行命令（终端输入）：
python 1_load_and_split.py
✅ 成功提示：打印出“文档总页数”“分块后总数”，说明步骤没问题；若报错，大概率是 PDF 路径/文件名错了。
新建文件，命名为：2_embedding_and_save.py
import os
from dotenv import load_dotenv
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma
# 加载 .env 文件中的 API Key（后面会教你创建）
load_dotenv()
# 1. 加载第一步分块后的数据（直接调用上一个文件的结果，不用重复写代码）
from 1_load_and_split import texts
# 2. 初始化向量模型（把文本转成计算机能理解的“向量”）
embedding = OpenAIEmbeddings(
model="text-embedding-3-small" # 轻量模型，免费额度足够，小白首选
)
# 3. 把向量存入本地 Chroma 数据库（持久化，下次不用重新生成）
db = Chroma.from_documents(
documents=texts,
embedding=embedding,
persist_directory="./chroma_db" # 向量数据存在本地 chroma_db 文件夹，可直接查看
)
db.persist() # 持久化数据，避免程序退出后丢失
print("✅ 向量已保存到本地 chroma_db 文件夹")
在代码同目录下，新建一个文本文件，重命名为 .env（前面有个点），打开后写入：
OPENAI_API_KEY=你的OpenAI_API_Key # 替换成你自己的 API Key
⚠️ 注意：API Key 别泄露，.env 文件不用运行，代码会自动读取。
运行命令：
python 2_embedding_and_save.py
✅ 成功提示：打印“向量已保存到本地 chroma_db 文件夹”，此时目录会多一个 chroma_db 文件夹，说明向量存储成功。
新建文件，命名为：3_rag_chat.py（这是最终可交互的问答文件）
import os
from dotenv import load_dotenv
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate
# 加载 API Key
load_dotenv()
# 1. 加载本地向量库（不用重新生成向量，直接加载之前保存的 chroma_db）
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma
embedding = OpenAIEmbeddings(model="text-embedding-3-small")
db = Chroma(
persist_directory="./chroma_db", # 加载本地向量库路径
embedding_function=embedding
)
# 2. 初始化大模型（GPT-3.5-turbo，性价比高，免费额度足够小白使用）
llm = ChatOpenAI(
model="gpt-3.5-turbo",
temperature=0.1 # 0-1，越小越精准，避免大模型瞎编，RAG 场景固定设 0.1
)
# 3. 自定义提示词（重点！防止大模型瞎编，小白别改这个模板）
prompt_template = """
你只能根据下面提供的上下文信息回答用户的问题，不允许使用你自己的知识库，不允许编造任何内容。
上下文：
{context}
用户的问题：{question}
注意：
1. 答案必须严格基于上面的上下文，不能添加任何额外信息；
2. 如果上下文里没有相关答案，直接说：“抱歉，文档中没有找到相关内容。”；
3. 回答简洁明了，不用冗余铺垫，直接给出答案。
"""
# 封装提示词
prompt = PromptTemplate(
template=prompt_template,
input_variables=["context", "question"]
)
# 4. 构建 RAG 链（检索+生成，核心逻辑，小白不用改）
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff", # 新手固定用 stuff，把检索到的内容全部传给大模型
retriever=db.as_retriever(search_kwargs={"k": 3}), # 检索3个最相关的片段，k=2-5最合适
return_source_documents=True, # 返回检索到的原文片段，方便验证答案
chain_type_kwargs={"prompt": prompt} # 传入自定义提示词，防止瞎编
)
# 5. 交互问答（循环输入，输入 q 退出）
print("✅ RAG 问答已启动，可输入问题提问（输入 q 退出）")
while True:
question = input("\n请输入你的问题（输入 q 退出）：")
if question.strip().lower() == "q":
print("???? 退出问答，感谢使用！")
break
# 执行问答
res = qa_chain({"query": question})
# 打印结果
print("\n???? 回答：", res["result"])
# 可选：打印检索到的原文片段（验证答案来源，小白可注释掉）
# print("\n???? 参考原文片段：")
# for i, doc in enumerate(res["source_documents"]):
# print(f"\n【片段{i+1}】：{doc.page_content[:200]}...")
运行命令：
python 3_rag_chat.py
✅ 成功效果：输入你 PDF 里有的问题（比如“课程笔记里的 Python 基础语法有哪些？”），就能得到基于 PDF 的精准回答，不会瞎编！
⚠️ 常见报错：若提示 API Key 无效，检查 .env 文件里的 Key 是否写错；若提示网络错误，OpenAI 需要科学上网。
很多小白没有 OpenAI API Key，我专门准备了文心一言的替换代码，只需要改两处，其他代码完全不用动，直接复制替换即可！
pip install langchain-community baidu-aip
# 替换原来的 OpenAIEmbeddings，复制这段代码替换即可
from langchain_community.embeddings import BaiduERNIEEmbeddings
embedding = BaiduERNIEEmbeddings(
baidu_api_key="你的文心一言API Key",
baidu_secret_key="你的文心一言Secret Key",
model_name="ernie-3.0-base-zh" # 文心一言轻量嵌入模型，免费可用
)
# 替换原来的 ChatOpenAI，复制这段代码替换即可
from langchain_community.chat_models import ChatBaiduERNIE
llm = ChatBaiduERNIE(
baidu_api_key="你的文心一言API Key",
baidu_secret_key="你的文心一言Secret Key",
model_name="ernie-3.5", # 文心一言3.5版本，免费额度足够
temperature=0.1
)
⚠️ 提示：文心一言的 API Key 和 Secret Key，在百度智能云官网注册就能获取，全程免费，不用科学上网，小白友好！
PDF 路径不对、文件名写错：比如把“test.pdf”写成“test1.pdf”，或者 PDF 不在代码同目录，直接报错，一定要核对文件名和路径。
分块参数乱改：把 chunk_size 设成 2000（太大）或 100（太小），导致检索不到相关内容，新手直接用我给的 800+100 参数。
不设置 chunk_overlap：把 overlap 设为 0，导致句子被切断，语义不完整，检索不准，必须设 50-100。
提示词不限制：不用我给的提示词模板，导致大模型依然瞎编，一定要保留“只能基于上下文回答”的约束。
API Key 写错 / 没加载 .env：要么 Key 输错，要么没创建 .env 文件，导致调用模型失败，仔细核对 Key 和 .env 文件名。
检索 k 值太大：把 k 设成 10 甚至 20，引入大量无关内容，答案混乱，新手固定设 2-3 即可。
我这套代码已经把这些坑全部避开，直接复制运行就能少走弯路！
课程 PDF 智能问答：期末复习，不用逐页翻笔记，直接问问题找答案（期末救命神器）
个人笔记知识库：把自己的学习笔记、错题整理成 PDF，打造专属问答机器人
企业员工手册问答（练手项目）：适合找实习前做，提升简历含金量
论文文献快速总结：上传论文 PDF，让 RAG 总结核心观点，节省看文献时间
毕设项目：RAG 是当前 AI 热门方向，做一个可视化 RAG 知识库，毕设轻松加分
RAG 真的没有那么难，难的是没人用小白的话讲清楚，难的是踩坑后没人指路。
我也是从完全不懂、到处报错、甚至想放弃一路走过来的，所以我知道大家卡在哪里——不是不会写代码，是怕概念太复杂，是怕代码跑不通，是怕踩坑没人帮。
这篇文章我尽量写得通俗、简单、能跑通，没有复杂术语，没有多余废话，代码全部可复制，就是希望和我一样的普通计算机学生，能少走弯路，快速做出属于自己的 AI 项目。
如果你也在入门 RAG、大模型、AI 项目，遇到了报错、跑不通的问题，欢迎在评论区交流，我会尽量回复，咱们一起踩坑、一起进步！
觉得有用的话，欢迎 点赞 + 收藏，我后面会继续更新小白友好的 AI 教程：
RAG 进阶优化：解决“检索不准”的问题
本地免费模型跑 RAG：不用 API Key，不用一分钱
用 Gradio 做可视化界面：让 RAG 更美观，毕设更加分
完整毕设项目教程：从需求分析到部署上线，一步到位
我们一起从小白变大佬，一起搞定 AI 项目，一起在计算机这条路上走得更顺！????
关注微信