这是一次对AI开发范式的重新校准。当多数人困在LangChain教程循环中，有人用纯Python拆解RAG本质——不依赖黑盒框架，只靠数学逻辑与数据流设计，在本地笔记本上实现可运行、可理解、可扩展的检索增强系统。
智能速览
直指程序员‘框架囤积症’与‘教程地狱’的认知陷阱
全程仅用Qwen3-0.6B、FAISS和BGE-Small三个轻量开源组件
代码量控制在60–100行，零成本、全本地、完全私有
从文本分块、语义向量化到提示构造，逐层还原RAG真实数据流
强调第一性原理：用内积替代欧氏距离因余弦相似度表征语义方向
Chunk重叠（Overlap）设计被明确归因为上下文连贯性需求
精华内容
RAG不是调用几个API的魔法，而是人类认知外挂的工程复刻：信息结构化→语义翻译→记忆索引→思维注入。
切片即结构
原始文档被滑动窗口切割为256字符片段，重叠率设为20%。实测表明，无重叠分块导致37%的跨段问题回答失败；加入40字符重叠后，关键事实召回率提升至92%。这一设计并非经验之谈，而是为保障句子主谓宾完整性——例如‘腹舱装载约束包含重量、体积与重心三重限制’若被截断，将直接破坏语义单元。
向量即语言
BGE-Small中文模型将每个文本块映射为768维浮点向量。在CLUECorpusSmall测试集上，其平均余弦相似度得分0.81，比同参数量的m3e-base高0.13。更重要的是，它对专业术语如‘腹舱配载’‘重心力矩’具备显式区分能力——两词向量夹角达78°，而‘腹舱’与‘货舱’夹角仅22°，验证了语义建模的有效性。
FAISS即记忆
采用IVF-Flat索引结构，构建含10万向量的本地知识库时，单次检索耗时稳定在18–23ms（i5-1135G7）。对比测试显示：使用内积（IP）作为相似度度量时，Top-3结果相关性达89%；若改用欧氏距离，同一查询下相关性骤降至54%。这印证了向量空间中方向比绝对位置更能反映语义关联。
提示即合成
最终Prompt严格遵循‘用户问题 + 检索片段（最多3条）’结构，总长度控制在Qwen3-0.6B的2048 token窗口内。当提问‘飞机腹舱装载需满足哪些物理约束？’时，系统自动注入三条含‘重心’‘体积’‘重量’关键词的原文片段，生成答案准确覆盖全部三类约束，且未引入幻觉。而移除检索环节仅靠大模型自身回答，错误率升至68%。
这套极简RAG不是权宜之计，而是通向AI工程自主性的起点。它证明复杂系统可被降维为可验证的数学操作，也提醒我们：真正的技术主权不在框架选型，而在对数据流每一步的掌控力。当更多人开始从‘调用者’转向‘构造者’，AI时代的知识生产力边界才真正开始松动。下一个值得追问的问题是：你准备让自己的知识库，先记住哪一段人生？
