从提问到扣篮：用 RAG 和 PostgreSQL 解答 NBA 问题-优快云博客

本文链接：https://blog.youkuaiyun.com/alvincho/article/details/148830120

在这里插入图片描述

前言

想象你问计算机：“谁在 2023 年 NBA 总决赛中得分最多？”然后它能直接、流畅地给出有数据支撑的答案。这就是 Retrieval-Augmented Generation（RAG）的魔力：结合检索与 AI 文本生成，让 AI 能够依据知识库回答自然语言问题。

本文将教你如何用 RAG 加上 PostgreSQL 数据库，搭建你自己的 NBA 问答系统，并在本地运行。我们会用到：

bge-m3 用于文本嵌入（embedding）
PostgreSQL + pgvector 用于语义相似搜索
gemma3:12b 用于自然语言生成
Ollama 本地运行环境，支持 OpenAI 风格 API

无论你是篮球迷、开发者，还是想学习 AI 的入门者，这篇文章都将是你构建智能体育助手的第一步。

什么是 RAG？

RAG 是 Retrieval-Augmented Generation（检索增强生成）的缩写，它结合了两个核心组件：

Retriever（检索器）：从知识库中查找相关文档或信息；
Generator（生成器）：使用大型语言模型（LLM）基于检索结果生成回答。

这种组合方式将数据库的准确性与语言模型的表达能力结合起来，使 AI 回答更可靠、更自然。
在这里插入图片描述

你可以提出哪些 NBA 问题？

NBA 数据丰富，适合做语义搜索与问答系统。以下是一些常见问题类型：

数据查询类：Curry 在 2022 年投进了多少个三分球？
对比类：2023 季后赛中 Luka 和 Trae 谁的助攻更多？
趋势类：2024 年 3 月 Lakers 哪位球员得分最多？
历史类：勇士队上一次夺冠是哪一年？

一步步搭建你的 NBA 问答系统

第一步：使用 `bge-m3` 生成嵌入向量

bge-m3 是一款多语言、多任务的向量模型，用于语义搜索。它可以将一句话转换为 1024 维的向量，例如：

“2023 年总决赛得分王是谁？”

转化为：

[0.021, -0.033, ..., 0.008]

本地运行：

ollama pull bge-m3
ollama serve

使用 OpenAI API 格式调用：

import requests
res = requests.post("http://localhost:11434/v1/embeddings", json={
    "model": "bge-m3",
    "input": "2023 年 NBA 总决赛谁得分最多？"
})
embedding = res.json()["data"][0]["embedding"]

第二步：将向量存入 PostgreSQL

启用向量扩展：

CREATE EXTENSION IF NOT EXISTS vector;

创建表：

CREATE TABLE nba_texts (
  id SERIAL PRIMARY KEY,
  text TEXT,
  embedding VECTOR(1024)
);

插入数据：

INSERT INTO nba_texts (text, embedding)
VALUES ('Curry 在总决赛第五场拿下 32 分', '[0.012, -0.024, ..., 0.031]');

第三步：通过相似度搜索检索内容

将用户问题转为向量，与数据库中的嵌入向量进行比较。

SELECT text
FROM nba_texts
ORDER BY embedding <-> '[0.018, -0.030, ..., 0.101]'
LIMIT 3;

这将返回语义上最相近的文本。

向量距离越小，表示语义越接近。例如，“得分最多” 和 “得分王” 表达不同但语义相近。

第四步：使用 `gemma3:12b` 生成回答

gemma3:12b 是 Google 推出的大型语言模型，可以本地运行并生成自然语言回答。

下载并运行模型：

ollama pull gemma3:12b

构造 prompt 并生成回答：

context = "\n".join(top_3_texts)
prompt = f"""上下文：\n{context}\n\n问题：2023 年总决赛得分最多的是谁？\n\n回答："""

res = requests.post("http://localhost:11434/v1/chat/completions", json={
  "model": "gemma3:12b",
  "messages": [
    {"role": "system", "content": "你是一位篮球数据分析师。"},
    {"role": "user", "content": prompt}
  ]
})

answer = res.json()["choices"][0]["message"]["content"]

如何从新闻和数据生成文本

从球员数据生成描述文字

def generate_game_summary(player_name, stats):
    return f"{player_name} 拿下 {stats['points']} 分，{stats['rebounds']} 篮板，{stats['assists']} 助攻，对阵 {stats['opponent']}，比赛日期 {stats['date']}。"

抓取 NBA 新闻段落

from bs4 import BeautifulSoup
import requests

url = "https://www.espn.com/nba/story/_/id/abc..."
html = requests.get(url).text
soup = BeautifulSoup(html, "html.parser")
paragraphs = [p.text for p in soup.select("article p")]

添加标签信息，便于后续检索

{
  "text": "LeBron 在揭幕战拿下 28 分。",
  "source": "game_log",
  "team": "Lakers",
  "date": "2023-10-24"
}

示例用法

球员对比

问： Luka 和 Trae 谁在 2023 季后赛助攻更多？

检索季后赛数据
使用 gemma3:12b 生成对比回答

历史查询

问：勇士队上一次夺冠是哪一年？

检索历史信息
生成简洁答案

队内得分王

问： Lakers 在 2024 年 3 月的得分王是谁？

检索比赛记录
提供球员名与得分数据

小贴士与注意事项

数据更新时应重算嵌入向量
保证嵌入维度一致（bge-m3 为 1024）
查询前可预处理（去除停用词等）
大数据量时可使用向量索引（如 ivfflat）加速查询

总结

RAG 技术结合了向量检索与语言生成，构建本地化、个性化的智能问答系统变得轻松可行。只需 PostgreSQL、pgvector、Ollama 和两个开源模型，你就能实现一个真正懂 NBA 的 AI 助手。

🏀 想进一步尝试？你可以：

接入实时比赛数据
添加重新排序模块提升回答质量
用 Streamlit/Gradio 打造可视化前端

欢迎进入 AI 篮球分析新时代！