🧩 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。