agent-craft/06_rag_basics/README.md

🧩 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。