RAG (Retrieval-Augmented Generation) 学习项目 - 实现文档检索与问答系统

.
├── naive_rag.py           # 原生 RAG 实现（从零开始）
├── langchain_rag.py       # LangChain RAG 实现（使用框架）
├── chatWithNavar-2.md     # 知识库：Naval Ravikant 访谈录
├── .gitignore
└── CLAUDE.md

pip install sentence-transformers chromadb openrouter python-dotenv
pip install langchain langchain-community langchain-core nltk

创建 .env 文件：

OPENROUTER_API_KEY=your_api_key_here

python naive_rag.py

python langchain_rag.py

两个脚本都支持交互式查询模式，输入问题后按回车获取答案，输入 quit 退出。

可在脚本中调整以下参数：

• CHUNK_SIZE: 文本分块大小（默认 1000 字符）
• CHUNK_OVERLAP: 分块重叠大小（默认 100 字符）
• TOP_K: 检索返回的相关块数量（默认 3）
• MODEL_NAME: 使用的 LLM 模型（默认 openai/gpt-5.4）
• DB_PATH: 向量数据库存储路径

当前使用的知识库是 chatWithNavar-2.md，包含 Naval Ravikant 与 Chris Williamson 的深度访谈，涵盖：

• 幸福与成功
• 决策与自由
• 人生选择
• 智慧与哲学
• 财富与育儿

• RAG 原始论文
• LangChain 文档
• ChromaDB 文档
• Sentence Transformers