本演示通过一个实际示例展示了完整的 RAG（检索增强生成，Retrieval-Augmented Generation）实现过程。我们将从零开始构建一个向量数据库，并使用一份示例报告文档执行 RAG 工作流的全部五个步骤。
搭建向量数据库
该实现使用了一个自定义的 VectorIndex 类，用于处理嵌入（embeddings）的存储以及执行相似度搜索。这个类为我们的向量数据库操作提供了所需的核心功能。
五步 RAG 实现
第一步：按章节对文本进行分块
首先，我们使用之前介绍过的基于章节的分块方法，加载并对源文档进行分块：
with open("./report.md", "r") as f:
text = f.read()
chunks = chunk_by_section(text)这会将我们的报告拆分为可以独立处理的逻辑章节。
第二步：为每个分块生成嵌入
接下来，我们使用列表推导式为每个分块创建嵌入：
embeddings = [generate_embedding(chunk) for chunk in chunks]这一步涉及多次 API 调用，因此需要一些时间才能完成。每个分块都会被转换为一个数值向量表示。
第三步：将嵌入存储到向量数据库中
现在我们创建向量存储，并用嵌入及其关联的文本来填充它：
store = VectorIndex()
for embedding, chunk in zip(embeddings, chunks):
store.add_vector(embedding, {"content": chunk})这里的关键点在于，我们同时存储了嵌入和原始文本。仅仅得到一串数字是没有用的——我们需要与这些嵌入相对应的实际文本内容。这些元数据使我们之后能够检索到有意义的结果。
第四步：生成用户查询的嵌入
当用户提出问题时，我们将其转换为相同的嵌入格式：
user_embedding = generate_embedding("What did the software engineering dept do last year?")这会创建用户问题的向量表示，以便与我们存储的嵌入进行比较。
第五步：搜索并检索相关分块
最后，我们在向量存储中进行搜索，以找到最相似的内容：
results = store.search(user_embedding, 2)
for doc, distance in results:
print(distance, "\n", doc["content"][0:200], "\n")这会返回两个最相关的分块及其余弦距离分数。距离越小，表示相似度越高。
理解结果
搜索结果按相关性排序。在我们的示例中，软件工程部分的距离最小（0.71），因此是最相关的匹配项。方法论部分位居第二，距离为 0.72。
距离指标有助于您了解系统对每个结果相关性的置信程度。距离越近，意味着与用户查询的匹配度越好。
为什么要将文本与嵌入一起存储
一个关键的设计决策是将原始文本与每个嵌入一起存储。如果不这样做，您只能得到数字数组，这对生成响应没有用处。通过包含源文本，您可以立即使用检索到的分块为您的语言模型提供上下文。
这就完成了核心的 RAG 工作流，不过在实际应用场景中，还有一些额外的优化和改进可以提升性能。