个人 RAG 知识库：从文档到可追溯回答#

RAG 的价值不是让模型“凭空更聪明”，而是让模型在回答前先查你提供的资料。这个案例的目标，是做出一个最小可复现的个人知识库助手。

最小闭环#

一个可用的 RAG 知识库至少包含六步：

准备文档。
清洗文本。
文档切块。
生成 Embedding。
向量检索相关片段。
基于片段生成带引用的回答。

项目结构#

1
personal-rag/
2
├─ docs/
3
│  └─ notes.md
4
├─ src/
5
│  ├─ load.ts
6
│  ├─ chunk.ts
7
│  ├─ embed.ts
8
│  ├─ retrieve.ts
9
│  └─ answer.ts
10
└─ .env

第一步：准备文档#

先从最简单的 Markdown 文档开始。不要一上来处理 PDF、网页、表格和图片，否则会把问题混在一起。

示例文档：

1
# RAG 学习笔记
2

3
RAG 是 Retrieval-Augmented Generation 的缩写。
4
它通过外部检索补充模型上下文，适合企业知识库、个人笔记和文档问答。

第二步：文档切块#

切块是 RAG 的第一个关键点。块太短会丢语义，块太长会影响召回精度。

入门阶段可以先用简单规则：

1
function chunkText(text: string, size = 500, overlap = 80) {
2
  const chunks: string[] = [];
3
  let start = 0;
4

5
  while (start < text.length) {
6
    const end = Math.min(start + size, text.length);
7
    chunks.push(text.slice(start, end));
8
    start = end - overlap;
9
    if (start < 0) start = 0;
10
    if (end === text.length) break;
11
  }
12

13
  return chunks;
14
}

后续再升级为按标题、段落、语义边界切块。

第三步：生成 Embedding#

Embedding 的作用是把文本转换成向量，方便做语义相似度检索。

你可以先把每个 chunk 变成：

1
type ChunkRecord = {
2
  id: string;
3
  content: string;
4
  source: string;
5
  embedding: number[];
6
};

入门阶段不必纠结向量数据库，先用内存数组模拟也可以。

第四步：检索相关片段#

用户问题也要生成 Embedding，然后和文档块计算相似度。

1
function cosineSimilarity(a: number[], b: number[]) {
2
  const dot = a.reduce((sum, value, index) => sum + value * b[index], 0);
3
  const normA = Math.sqrt(a.reduce((sum, value) => sum + value * value, 0));
4
  const normB = Math.sqrt(b.reduce((sum, value) => sum + value * value, 0));
5
  return dot / (normA * normB);
6
}

检索时取相似度最高的前几个片段：

1
const topChunks = chunks
2
  .map((chunk) => ({
3
    ...chunk,
4
    score: cosineSimilarity(queryEmbedding, chunk.embedding),
5
  }))
6
  .sort((a, b) => b.score - a.score)
7
  .slice(0, 3);

第五步：生成带引用回答#

RAG Prompt 要非常明确：只能基于资料回答。

1
你是一个基于资料回答问题的助手。
2

3
用户问题：
4
{question}
5

6
资料片段：
7
[1] {chunk_1}
8
[2] {chunk_2}
9
[3] {chunk_3}
10

11
要求：
12
1. 只基于资料片段回答。
13
2. 关键结论后标注来源编号。
14
3. 如果资料不足，请说明缺少什么。
15
4. 不要编造资料中没有的信息。

第六步：失败排查#

RAG 出错时，先不要怪模型。按链路排查：

现象	优先排查
回答跑偏	检索片段是否相关
回答缺信息	文档是否覆盖、top_k 是否太小
引用错误	片段编号是否和 Prompt 对齐
回答编造	Prompt 是否限制“只基于资料”
成本太高	chunk 是否太长、召回是否太多