从零搭建你的第一个 RAG 问答应用：FAISS + OpenAI + Gradio 完整教程

m0_64880268

380人浏览 · 2026-04-19 14:05:41

m0_64880268 · 2026-04-19 14:05:41 发布

前言：为什么要学 RAG？

你有没有遇到过这样的场景：

把公司的内部文档、产品手册扔给 ChatGPT，它却一问三不知？
想让 AI "记住"你自己上传的 PDF，却不知道从哪下手？

这正是 RAG（Retrieval-Augmented Generation，检索增强生成） 要解决的问题。

简单说，RAG 做了一件事：在生成答案之前，先去你的私有知识库里找相关内容，再交给大模型回答。

本文将带你从零开始，用大约 100 行 Python 代码，搭建一个真实可用的 RAG 问答应用，并用 Gradio 做成漂亮的 Web 界面。

一、核心概念快速扫盲

在写代码之前，先用 5 分钟搞清楚三个关键词：

1. 什么是 Embedding（嵌入）？

Embedding 是把文字转换成一串数字（向量）的技术。
比如"苹果"和"水果"在向量空间里距离很近，而"苹果"和"汽车"距离很远。

类比：就像图书馆的书籍分类系统，相似内容的书放在一起，方便查找。

2. 什么是向量数据库？

存放 Embedding 向量的数据库，支持"找最相似的几条内容"这种查询方式。

本文使用 FAISS（Facebook AI Similarity Search），它是本地运行的轻量级向量库，不需要启动额外服务，适合学习和小项目。

3. RAG 的完整流程

用户提问
   ↓
把问题转成 Embedding 向量
   ↓
在 FAISS 里找最相似的几段文本（检索）
   ↓
把检索结果 + 原始问题一起发给 LLM
   ↓
LLM 生成最终答案

二、环境准备

2.1 安装依赖

bash

复制

pip install openai faiss-cpu gradio tiktoken langchain langchain-openai langchain-community

💡 如果你在国内，pip 速度慢，可以加镜像源：
bash
复制
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple openai faiss-cpu gradio tiktoken langchain langchain-openai langchain-community

2.2 配置 API Key

本文使用 OpenAI 兼容接口，创建一个 .env 文件（放在项目根目录）：

env

复制

OPENAI_API_KEY=你的API密钥
OPENAI_BASE_URL=https://api.openai.com/v1  # 如果使用国内兼容接口，替换成对应地址

然后在代码里加载：

python

复制

from dotenv import load_dotenv
load_dotenv()

没有安装 python-dotenv？pip install python-dotenv

三、构建知识库

3.1 准备你的文档

新建一个文件夹 docs/，把你的 .txt 文件放进去。
这里我们用一个简单的示例文档 docs/sample.txt：

公司简介：
我们是一家专注于 AI 应用开发的初创公司，成立于 2023 年。

产品介绍：
我们的旗舰产品是智能客服系统，支持多轮对话和知识库问答。

联系方式：
邮箱：support@example.com
电话：400-888-8888
工作时间：周一至周五 9:00-18:00

3.2 读取并分块

文档通常很长，一次性送给 LLM 会超出 token 限制，所以需要先切成小块：

python

复制

🔧 参数说明：

chunk_size：每块文本的最大长度。太大会超 token，太小会丢失上下文，500~1000 是常用范围。

chunk_overlap：块与块之间的重叠字数，避免一句话被切成两半时语义丢失。

3.3 生成 Embedding 并存入 FAISS

python

复制

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS

def build_vectorstore(chunks):
    """生成向量并构建 FAISS 索引"""
    embeddings = OpenAIEmbeddings()  # 使用 text-embedding-ada-002
    vectorstore = FAISS.from_documents(chunks, embeddings)
    vectorstore.save_local("faiss_index")  # 保存到本地，下次直接加载
    print("✅ 知识库构建完成，已保存到 faiss_index/")
    return vectorstore

def load_vectorstore():
    """加载已有的 FAISS 索引"""
    embeddings = OpenAIEmbeddings()
    return FAISS.load_local(
        "faiss_index", 
        embeddings,
        allow_dangerous_deserialization=True  # 本地文件，信任加载
    )

四、实现 RAG 问答核心逻辑

python

复制

🧠 为什么 temperature 设 0.1？
temperature 控制模型的"创造力"，越高越发散，越低越保守。RAG 场景下我们希望 AI 忠实于检索结果，所以设低一点。

五、用 Gradio 做 Web 界面

Gradio 是一个让你用几行 Python 就能做出漂亮 Web 界面的库，非常适合快速展示 AI Demo。

python

复制

六、整合：完整的 `app.py`

把上面所有模块整合到一个文件里：

python

复制

七、运行效果

bash

复制

python app.py

首次运行会看到：

🔨 正在构建知识库，请稍候...
✅ 知识库构建完成！共 6 个文本块
Running on local URL:  http://127.0.0.1:7860

浏览器打开后，你会看到一个干净的问答界面，试试问：

"公司的邮箱是什么？" → AI 会从文档里找到并回答
"你们的产品叫什么名字？" → 准确检索并引用原文
"明天天气怎么样？" → 因为知识库里没有，AI 会说"没有相关信息"（而不是胡编）

八、常见问题 & 进阶方向

Q1：文档更新了，知识库怎么刷新？

python

复制

vs = get_vectorstore(force_rebuild=True)  # 传 True 强制重建

Q2：想支持 PDF 文件怎么办？

python

复制

pip install pypdf

from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("your_document.pdf")

Q3：回答质量不好？

几个调优思路：

问题	调优方向
检索不准	减小 `chunk_size`，增大 `k`
答案太发散	降低 `temperature`（接近 0）
答案不够详细	修改 prompt，要求"详细说明"
语言混乱	在 prompt 中强调"用中文回答"

Q4：如何支持上传文件？

Gradio 提供了文件上传组件：

python

复制

file_input = gr.File(label="上传文档", file_types=[".txt", ".pdf"])

上传后解析、重建索引，即可实现动态知识库！

进阶路线图

学完本文后，你可以继续探索：

本文内容（入门）
    ↓
多文件 + PDF 支持 → 文档管理系统
    ↓
流式输出（Streaming）→ 更好的用户体验
    ↓
对话历史记忆（Memory）→ 多轮问答
    ↓
混合检索（BM25 + 向量）→ 更高检索精度
    ↓
Reranker 排序 → 工业级 RAG