前言：为什么你的AI总在"胡说八道"？

你有没有遇到过这种情况：

“问AI我们公司年假有几天，它瞎编一个答案”
“问AI产品退换货流程，它说的和官网完全不一样”

这不是AI的错，是AI不知道你的企业内部知识。

解决方案就是——RAG知识库检索。

一、RAG是什么？

Retrieval-Augmented Generation

**翻译成人话：**先从你的文档里找到相关内容，再让AI基于这些内容回答。

工作原理（3步走）

① 检索：把用户问题转成向量，在知识库中找到最相关的文档片段

② 拼接：把相关片段 + 原问题一起组成"上下文"

③ 生成：AI基于真实内容生成准确答案

效果对比：
❌ 没有RAG：AI瞎编，答非所问
✅ 有RAG：AI基于真实文档，准确回答

二、用什么工具？Hermes Agent

今天用的是Hermes Agent——因为它内置了完整的RAG支持，开箱即用。

优势：

✅ 支持多个知识库（文档问答 + 客服知识库）

✅ 支持多种向量数据库（Milvus / Qdrant / Chroma）

✅ 支持多平台接入（Telegram / 飞书 / 企业微信）

✅ 内置自我学习，越用越准

三、教程：5分钟搭建RAG知识库

第一步：安装 Hermes Agent

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

第二步：安装 RAG 插件

hermes skills install hermes-rag

第三步：准备知识库文档

目录结构示例：

📁 /knowledge/
├── 📁 internal/          # 内部文档问答
│   ├── 产品手册.md
│   ├── 技术文档.pdf
│   └── 内部制度.md
└── 📁 faq/              # 客服知识库
├── 退换货政策.md
└── FAQ问答对.json

支持格式：

• Markdown（.md）

• PDF（.pdf）

• Word（.docx）

• TXT 文本

• JSON（FAQ问答对）

第四步：创建向量数据库

# 创建内部文档知识库
hermes rag create --collection internal-docs --label "内部文档问答"
# 创建客服知识库
hermes rag create --collection customer-support --label "客服知识库"

第五步：导入文档

# 导入内部文档
hermes rag import /knowledge/internal/ --collection internal-docs --recursive
# 导入客服FAQ
hermes rag import /knowledge/faq/ --collection customer-support --recursive

第六步：配置检索参数

# 设置向量模型（决定检索质量）
hermes config set rag.embedding_model "BGE-large-zh"
# 设置返回数量
hermes config set rag.top_k 5
# 设置相似度阈值（低于这个分数不返回）
hermes config set rag.min_score 0.7

第七步：验证是否正常

# 测试检索
hermes rag search "测试query" --limit 3
# 查看知识库状态
hermes rag status

四、两个实战场景

场景1：内部文档智能问答

用户问：“我们公司年假是怎么计算的？”

Hermes 回答：
“根据《员工手册》第三章第七条规定：
• 工作满1年：年假5天
• 工作满2年：年假7天
• 工作满3年及以上：年假10天
来源：《员工手册.md》第3章”

场景2：客服知识库自动回复

用户问：“产品坏了可以退货吗？”

Hermes 回答：
“您好！关于退换货政策：
• 7天内：可无理由退换
• 15天内：质量问题可换货
• 15天以上：享受保修服务
如有疑问请拨打客服热线：400-xxx-xxxx
来源：《退换货政策.md》”

五、知识库配置详解

5.1 向量数据库选择

数据库	特点	适用场景
Chroma	最简单，本地优先	个人/小团队
Qdrant	轻量，易部署	中小规模
Milvus	大规模，分布式	亿级文档
pgvector	基于PostgreSQL	已有PG库的企业

5.2 配置多知识库分流

# 设置不同RAG源
hermes config set rag.internal.collection internal-docs
hermes config set rag.customer.collection customer-support
# 开启关键词触发
hermes config set rag.route_keyword_enabled true

5.3 提升检索效果

① 混合检索（推荐）

hermes config set rag.hybrid_search true

② 启用重排序（Rerank）

hermes config set rag.enable_rerank true

③ 定期增量更新

# 增量更新
hermes rag import /knowledge/faq/ --collection customer-support --upsert
# 完整重建
hermes rag rebuild --collection customer-support

六、效果评估

指标	没有RAG	有RAG
回答准确率	~40%	90%+
回复速度	人工3-5分钟	3-5秒
知识覆盖	人工记忆有限	全部文档
7×24服务	需要多人轮班	自动值班

七、常见问题

Q1：文档更新后需要重新导入吗？

A：不需要全量重建，用–upsert参数增量更新即可。

Q2：检索不到相关内容怎么办？

A：① 检查文档格式是否正确 ② 降低min_score阈值 ③ 开启混合检索

Q3：回答里如何显示来源？

hermes config set rag.show_source true

Q4：向量数据库占用多大空间？

A：大约是原始文档大小的1/10。1GB文档 ≈ 100MB向量数据。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】