RAG 实战指南

RAG（检索增强生成）是 2026 年构建企业知识库问答的标准方案。

架构设计

用户问题 → 向量化 → 向量检索 → 相关文档 → LLM 生成 → 最终回答

Python 实现

import chromadb
from openai import OpenAI

# 1. 向量化存储文档
collection = chromadb.Client().create_collection("docs")
collection.add(
    documents=["Halo 是一个开源博客系统"],
    ids=["doc1"],
)

# 2. 检索相关文档
results = collection.query(query_texts=["Halo 是什么？"], n_results=3)
context = "
".join(results["documents"][0])

# 3. 生成回答
client = OpenAI()
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{
        "role": "user",
        "content": f"基于以下资料回答：
{context}

问题：Halo 是什么？"
    }],
)

RAG 解决了 LLM 知识固定的问题，是企业 AI 应用的核心模式。