2025.11.2

06_rag_basics/README.md

@@ -0,0 +1,51 @@
+## 🧩 模块说明：RAG 基础 - 构建专属知识库
+
+📌 **核心知识点**：  
+RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向量存储 (FAISS)｜LCEL RAG 链
+
+---
+
+### 1. `01_load_and_split.py`（文本加载与分块）
+加载本地 `.txt` 文档，并使用 `RecursiveCharacterTextSplitter` 将其智能分割成“知识卡片”。
+
+✅ **掌握点**：
+- 使用 `TextLoader` 将文件加载为 `Document` 对象。
+- **RAG 核心**：深入理解 `chunk_size` (分块大小) 和 `chunk_overlap` (重叠) 的调优策略。
+- `RecursiveCharacterTextSplitter` 如何按 `["\n\n", "\n", " "]` 优先级智能分割。
+
+---
+
+### 2. `02_embedding.py`（文本向量化）
+演示如何加载本地 Embedding 模型，并将任意文本（知识卡片）转换为“语义向量”。
+
+✅ **掌握点**：
+- 使用 `HuggingFaceEmbeddings` 加载开源本地模型（如 `BAAI/bge-small-zh-v1.5`）。
+- 理解 Embedding（向量化）是 RAG 的“语义标签”，用于实现“语义搜索”。
+- 如何调用 `embed_query` 将文本转换为向量（一串数字）。
+
+---
+
+### 3. `03_build_index.py`（构建并存储索引）
+整合“加载”、“分块”和“向量化”三个步骤，构建 FAISS 向量索引库，并将其**持久化**保存到本地磁盘。
+
+✅ **掌握点**：
+- 什么是 FAISS（轻量级、高性能的向量索引库）。
+- 如何使用 `FAISS.from_documents` 一键完成“批量向量化+构建索引”。
+- 如何使用 `db.save_local` 将索引保存到磁盘，实现**“离线索引”**。
+
+---
+
+### 4. `04_rag_chain_full.py`（LCEL 完整 RAG 链）
+使用 LCEL（LangChain 表达式语言）“手动组装”一个完整的 RAG 流程，实现“检索-增强-生成”的闭环。
+
+✅ **掌握点**：
+- R (Retrieval): `db.as_retriever()` 如何作为检索器。
+- A (Augmented): `ChatPromptTemplate` 如何接收 `{context}` 和 `{question}`。
+- G (Generation): LLM 如何根据上下文（Context）回答问题。
+- **LCEL 核心**：使用 `{"context": ..., "question": RunnablePassthrough()}` 并行组装数据流。
+- 使用 `format_docs` 函数将 `List[Document]` 适配为 `str` 字符串。
+
+---
+
+💡 **建议**：
+跑通所有示例后，尝试用你自己的 `.txt` 文件替换 `knowledge_base.txt`，并调整 `chunk_size` 参数，观察分块结果和 RAG 问答效果的变化。