【保姆级 - 大模型应用开发】DeepSeek + Faiss + langchain 从零搭建本地知识库 检索 | 理论 + 代码实战

---

RAG（Retrieval-Augmented Generation）-- 检索增强生成：

• 一种结合信息检索（Retrieval）和文本生成（Generation）的技术：通过实时检索相关信息，并将其作为上下文输入到生成模型中，从而提高生成结果的时效性和准确性 （← 优势）

  目前感觉最好用的 RAG 产品是 notebookLM，可以先上手体验下 ( BUT 需要外网，不开源)
  开源产品可以选择 Qwen-Agent ---- 本文是从头构建 RAG，也可以选择基于 Qwen-Agent 来快速实现 RAG 部署 (见主页博文)

---

⭐ RAG 的三大步骤：数据预处理、检索和生成 💜 【理论基础】

RAG 第一步：数据预处理

Indexing => 如何更好地把知识存起来
在让 AI 使用外部知识前，需要先把原始资料整理成适合检索的格式，主要包括以下几步：

• 知识库构建：汇总各种收集到的相关资料，比如文档，建立一个“外部知识库”

• 文档分块：把长文档按语义切成一小段一小段（叫做 chunk）

  • ✏️ 说明：分得太碎可能语义不完整，分太大又不利于检索，要平衡

• 向量化：使用“嵌入模型”把 chunk 转成“向量”并存进“向量数据库”，方便快速搜索

  类型	模型	特点	适用场景	开源状态
  通用模型	BGE-M3	多语言、长文本、混合检索	高精度 RAG、跨语文档	✅ 开源
  	text-embedding-3-large	英文表现强	英文场景	❌ 闭源（OpenAI）
  	Jina-embeddings-v2	模型小，推理快	实时任务、轻量场景	✅ 开源
  中文模型	xiaobu-embedding-v2	语义理解强	中文分类、检索	✅ 开源
  	M3E-Turbo	本地部署好	法律、医疗文本	✅ 开源
  	stella-mrl-large-zh-v3.5-1792	关系抽取强	NLP分析、高语义需求	✅ 开源
  指令驱动 & 复杂任务	gte-Qwen2-7B-instruct	支持代码与跨模态	多任务问答	✅ 开源（协议限制）
  	E5-mistral-7B	Zero-shot强	动态语境	✅ 开源
  企业级	BGE-M3	稳定部署、强检索	企业知识库	✅ 开源
  	E5-mistral-7B	支持微调	高复杂系统	✅ 开源

  ✏️ 说明：可以在 https//modelscope.cn/ 找到并下载 embedding 模型 （以下示例中部署 BGE-M3，个人级不建议部署，代价大~看下流程即可）

  # 安装依赖（只需运行一次）
  # pip install FlagEmbedding
  
  # 1️⃣ 加载模型
  from FlagEmbedding import BGEM3FlagModel
  
  # 加载 BGE-M3 模型，use_fp16=True 可以加速（需要显卡支持）
  model = BGEM3FlagModel('BAAI/bge-m3', use_fp16=True)  ## 替换成你存 BGE 模型的路径
  
  # 2️⃣ 编码文本为向量
  # 设定两个句子列表，一个作为查询，一个作为候选答案
  sentences_query = ["什么是BGE M3？", "BM25的定义"]
  sentences_docs = [
      "BGE M3 是一个支持稠密检索、词匹配和多交互的嵌入模型。",
      "BM25 是一种用于排名的词袋模型。"
  ]
  
  # 使用模型编码成向量（dense_vecs）
  emb_query = model.encode(sentences_query, max_length=8192, batch_size=12)['dense_vecs']
  emb_docs = model.encode(sentences_docs)['dense_vecs']
  
  # 3️⃣ 计算相似度
  # 使用点乘计算 query 和每个文档的相似度（越高越相关）
  similarity = emb_query @ emb_docs.T
  
  # 输出相似度矩阵
  print("相似度矩阵：")
  print(similarity)  ## 形状是 [sentences_query 的数量, sentences_docs 的数量]
  

---

RAG 第二步：检索 Retrieval

Retrieval => 如何在大量的知识中，找到一小部分有用的，给到模型参考
让 AI 从知识库中找到与你问题相关的资料，主要包括以下几步：

• 查询处理：将你的问题转成向量（即数字表达），然后在向量数据库中搜索，找出最相关的内容片段
• 相关性排序：对初步搜索结果进行相关性排序，挑选最合适的片段，用于下一步生成答案

---

RAG 第三步：生成 Generation

Generation => 如何结合用户的提问和检索到的知识，让模型生成有用的答案
让大模型结合相关资料，生成最终答案，主要包括以下几步：

• 上下文组装：把上一步找到的片段，与你的问题一起输入大模型，构成“增强版上下文”
• 生成回答：大语言模型根据增强后的上下文，生成准确、有依据的回答

---

⭐ RAG 部署的三大步骤 ：PDF提取、知识库创建和 Q&A💜 【代码实战】

from typing import List, Tuple
DASHSCOPE_API_KEY = ''  ## TODO: 填充你的 DASHSCOPE_API_KEY 🔍🔍🔍

1. PDF提取文本和页码信息：text, page_numbers

from PyPDF2 import PdfReader


def extract_text_with_page_numbers(pdf) -> Tuple[str, List[int]]:
    """
    从PDF中提取文本并记录每行文本对应的页码
    
    参数:
        pdf: PDF文件对象
    
    返回:
        text: 提取的文本内容
        page_numbers: 每行文本对应的页码列表
    """
    text = ""
    page_numbers = []

    for page_number, page in enumerate(pdf.pages, start=1):
        extracted_text = page.extract_text()
        if extracted_text:
            text += extracted_text
            page_numbers.extend([page_number] * len(extracted_text.split("\n")))

    return text, page_numbers


pdf_reader = PdfReader('./你准备的 PDF 文档（自行修改 🔍🔍🔍）.pdf')  # 读取 PDF 文件
text, page_numbers = extract_text_with_page_numbers(pdf_reader)  # 提取文本和页码信息

2. 根据文本和页码信息创建知识库 knowledgeBase

from langchain_community.vectorstores import FAISS
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.embeddings import DashScopeEmbeddings


def process_text_with_splitter(text: str, page_numbers: List[int]) -> FAISS:
    """
    处理文本并创建 FAISS 知识库存储
    
    参数:
        text: 提取的文本内容
        page_numbers: 每行文本对应的页码列表
    
    返回:
        knowledgeBase: FAISS 知识库
    """
    # 步骤一：准备 chunks
    ## 1. 创建文本分割器
    text_splitter = RecursiveCharacterTextSplitter(
        separators=["\n\n", "\n", ".", " ", ""],
        chunk_size=1000,  		## 最大长度
        chunk_overlap=200,  	## 重叠长度
        length_function=len,
    )
    ## 2. 分割文本为 chunk
    chunks = text_splitter.split_text(text)
    # print(f"Text split into {len(chunks)} chunks.")
        
    # 步骤二：准备嵌入模型
    embeddings = DashScopeEmbeddings(
        model="text-embedding-v1",
        dashscope_api_key=DASHSCOPE_API_KEY,
    )
    
    # 步骤三：根据准备 chunks 和 嵌入模型，创建 FAISS 知识库
    knowledgeBase = FAISS.from_texts(chunks, embeddings)
    knowledgeBase.page_info = {chunk: 0 for i, chunk in enumerate(chunks)}  # 存储 chunk 对应的页码
    # TODO：暂时chunk 对应的页码都标注为了 0，待后续完善
    
    return knowledgeBase

knowledgeBase = process_text_with_splitter(text, page_numbers)
# knowledgeBase.save_local('./faiss-0804')  # 保存 (可选)

3. 根据知识库提供的 docs 进行 Q&A

from langchain_community.llms import Tongyi
from langchain.chains.question_answering import load_qa_chain
from langchain_community.callbacks.manager import get_openai_callback


# 加载问答链
llm = Tongyi(model_name="qwen-turbo", dashscope_api_key=DASHSCOPE_API_KEY) # qwen-turbo
chain = load_qa_chain(llm, chain_type="stuff")  

# 拼接查询问题 query + docs -> input_data 
query = "你的提问（自行修改 🔍🔍🔍）"
docs = knowledgeBase.similarity_search(query)
input_data = {"input_documents": docs, "question": query}
    
# 执行问答链 (同时使用回调函数跟踪 API 调用成本）
with get_openai_callback() as cost:
    response = chain.invoke(input=input_data)
    print(f"查询已处理。成本: {cost}")
    print(response["output_text"])
 
# 补充 response 回答依据
print("来源:")

unique_pages = set()  
for doc in docs:  # 获取每个文档块的来源页码，存储至 unique_pages 集合
    text_content = getattr(doc, "page_content", "")
    source_page = knowledgeBase.page_info.get(
        text_content.strip(), "未知"
    )
    unique_pages.add(source_page)
    print(f"文本块页码: {source_page}")

运行会输出类似下面的内容：

根据提供的信息，... 。具体相关内容如下：

......

来源:
文本块页码: ...

✏️ 其中，我们看到核心代码 chain = load_qa_chain(llm, chain_type="stuff")
---- LangChain 问答链的四种 chain_type 类型说明:

代码片段	功能说明
chain = load_qa_chain(llm, chain_type="stuff")	将所有文档拼接为一个 prompt，一次性输入给 LLM，适用于文档较小的情况
chain = load_qa_chain(llm, chain_type="map_reduce")	每个 chunk 单独作为 prompt 提问，然后将结果合并做最终回答，适合并行处理
chain = load_qa_chain(llm, chain_type="refine")	先从一个 chunk 得到初步回答，后续逐步 refine，适合多轮提炼答案
chain = load_qa_chain(llm, chain_type="map_rerank")	每个 chunk 提问并打分，返回评分最高的那一块的答案，适合精准筛选