15天学会AI应用开发（八）使用向量数据库实现RAG功能

modelscope download --model sentence-transformers/all-MiniLM-L6-v2 --local_dir all-MiniLM-L6-v2

from sentence_transformers import SentenceTransformer
model = SentenceTransformer("./all-MiniLM-L6-v2")
vectors = model.encode("什么是RAG")

import faiss
# 建立索引（相当于建了个检索表）
index = faiss.IndexFlatL2(vectors.shape[1])
# 把知识向量放进去
index.add(np.array(vectors).astype("float32"))
# 用户提问 → 检索最相似的1条
D, I = index.search(...)

pip install faiss-cpu sentence-transformers

from sentence_transformers import SentenceTransformer
import faiss
import numpy as np
# ===================== 你的知识库（完全不变） =====================
knowledge = [
    "什么是AI：人工智能（AI）是一门使机器模拟人类智能的技术。",
    "什么是RAG：RAG代表检索增强生成，通过检索外部知识提升大模型回答准确性。",
    "本地RAG消耗Token吗：本地RAG不调用云端API，不消耗Token，完全免费。",
    "FAISS是什么：FAISS是Facebook开源的向量检索库，用于本地高效检索。",
    "RAG的作用：RAG让大模型能引用外部知识，避免胡说八道。"
]
# ===================== 加载你本地已有的模型（不变） =====================
embed_model = SentenceTransformer("./all-MiniLM-L6-v2", device="cpu")
# 生成向量（把知识库向量化）
vectors = embed_model.encode(knowledge)
# 构建 FAISS 索引
index = faiss.IndexFlatL2(vectors.shape[1])
index.add(np.array(vectors).astype("float32"))
# ===================== RAG 检索（逻辑不变） =====================
def rag(question):
    print("\n 问题：" + question)
    # 把问题向量化
    q_vec = embed_model.encode([question])
    # 从 FAISS 检索对应的知识
    D, I = index.search(np.array(q_vec).astype("float32"), 1)
    best = knowledge[I[0][0]]
    answer = best.split("：")[-1]
    print(" 答案：" + answer)
    print("-" * 50)
# ===================== 运行 =====================
if __name__ == "__main__":
    print("=== 本地智能 RAG 系统：问什么答什么 ===")
    while True:
        q = input("\n请输入问题（q退出）：")
        if q.lower() == "q":
            break
        rag(q)

=== 本地智能 RAG 系统：问什么答什么 ===
请输入问题（q退出）：什么是FAISS？
 问题：什么是FAISS？
 答案：FAISS是Facebook开源的向量检索库，用于本地高效检索。
--------------------------------------------------