本文分享了从零构建电商领域AI知识库的全过程，重点介绍了RAG技术的应用。作者详细阐述了技术选型、数据库设计、Embedding生成、向量搜索、文档管理API及UI界面开发等关键步骤，并深入剖析了pgvector扩展、Prisma类型转换、模型维度选择等常见坑点及解决方案。最终，通过集成RAG系统，电商AI助手成功基于知识库精准回答用户问题，显著提升用户体验。文章旨在为读者提供可参考的实战经验，助力AI知识库构建。

---

背景

作为一个电商项目的开发者，我一直在思考如何让 AI 助手能够更好地回答用户关于产品、订单、政策等方面的问题。传统的 LLM 虽然强大，但缺乏最新的、特定的业务知识。RAG（检索增强生成）技术正好解决了这个问题——它可以让 AI 基于我们自己的知识库来回答问题。

在这篇文章中，我将分享从零到1构建一个完整知识库 RAG 系统的全过程，包括遇到的坑和解决方案。

技术选型

2026 年的今天，RAG 技术已经非常成熟。经过调研，我选择了以下技术栈：

• 向量数据库Embedding 模型ORMWeb 框架

第一步：数据库设计

首先，我需要设计一个存储文档和向量的数据库表。

Prisma Schema

数据库迁移

接下来是数据库迁移，这一步遇到了第一个坑：

问题: 直接运行迁移会报错 “type vector does not exist”

解决方案: 必须先启用 pgvector 扩展，再创建表

第二步：Embedding 生成

有了数据库，接下来需要实现 embedding 生成功能。

Embedding 模块

遇到的坑:

1. 模型选择qwen/qwen3-embedding-0.6bqwen/qwen3-embedding-8b维度问题dimensions: 1536

第三步：向量搜索

这是最核心的部分，也是坑最多的地方。

RAG 搜索模块

遇到的坑: 问题: Prisma 的 $queryRaw 中直接传入 embedding 数组会报错 “column embedding is of type vector but expression is of type text[]”

解决方案: 必须先将 embedding 数组转换为字符串格式 [1.0, 2.0, …]，然后用 ::vector 转换

第四步：文档管理 API

接下来是文档的 CRUD API。

添加文档

第五步：知识库管理 UI

有了 API，接下来需要一个用户友好的界面来管理知识库。

我实现了一个完整的知识库管理页面，包括：

第六步：集成到聊天系统

最后一步，将 RAG 集成到现有的聊天系统中。

构建 RAG 上下文

完整的工作流程

最终效果

从终端日志可以看到，系统运行得非常完美：

Embedding 生成成功, 维度: 1536 RAG 搜索结果数量: 2 

✅ 找到 2 个相关文档:
  1.
 订单查询 (相似度: 59.3%)
  2.
 产品信息 (相似度: 42.9%) 📚 RAG 上下文已添加到对话中

AI 助手能够准确地基于知识库内容回答用户的问题了！🎉

总结与心得

遇到的主要问题

1. pgvector 扩展Prisma 类型转换模型维度模型可用性

关键技术点

1. HNSW 索引余弦相似度<=>备用方案随机 embedding

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】