搭一个本地知识库问答系统：RAG 实操路线
想让 AI 回答你自己文档里的问题？本文给出一条清晰的 RAG 落地路线，从选型到跑通，附避坑要点。
"让 AI 读我的文档并回答问题"是最实用的 AI 需求之一。本文给你一条清晰的 RAG 落地路线。
一、需要哪几个部件
- 大模型：负责理解和作答（闭源 API 或本地开源模型）。
- Embedding 模型：把文档和问题转成向量。
- 向量数据库：存向量、做相似检索。
- 应用框架：把上面几个串起来（LangChain/LlamaIndex 或 Dify）。
二、落地步骤
- 准备文档：PDF、Word、网页、FAQ 等。
- 切分：把文档切成合适大小的段落。
- 入库：用 Embedding 转向量，存进向量库。
- 检索 + 生成：提问时检索相关段落，连同问题喂给大模型作答。
三、最省事的方式
不想写代码，用 Dify 之类平台：新建知识库、上传文档、绑定模型，几步就能得到一个能问答的应用，还自带 API。
四、避坑要点
- 切分要合理：太大不精准，太小丢上下文。
- 提示模型"只依据资料回答，找不到就说不知道"。
- 检索质量是上限：可加"重排序"提升命中。
- 保留来源，方便核查。
结语
先用现成平台跑通最小版本，验证效果后再优化切分、检索和提示词。RAG 是让 AI"懂你业务"最快、最经济的路。