从零到一构建RAG智能问答系统：当《蛊真人》遇上了AI

作者：袖梨 2026-07-17

一场意外的邂逅

你有没有想过，让AI陪你重温一部百万字的小说？想象一下，你可以随时向AI提问："方源为什么要炼制定仙游？"或者"白凝冰的最终结局是什么？"——AI不仅能够准确回答，还能引用小说原文作为佐证。

这不是科幻小说，而是我最近完成的一个小项目：基于RAG（Retrieval-Augmented Generation，检索增强生成）技术的智能问答系统。今天，我想和你分享这个从零到一的实战过程，让《蛊真人》这部经典网络小说遇上了现代AI技术。

什么是RAG？为什么要做RAG？

在深入了解代码之前，让我们先理解RAG的核心思想。

传统的大语言模型（LLM）虽然强大，但它们有天然的局限：知识截止日期固定，无法获取最新信息；训练数据有限，对于特定领域的专业知识了解不足；而且容易产生"幻觉"，即编造不存在的事实。

RAG技术正是为解决这些问题而生。它的工作流程简单而优雅：

知识库构建：将你的文档（无论是小说、技术文档还是法律条文）切割成小块，并向量化存储
语义检索：当用户提问时，系统将问题向量化，在知识库中检索最相关的文档片段
增强生成：将检索到的相关片段作为上下文，连同用户问题一起交给LLM，生成最终答案

这种"检索+生成"的模式，让AI不再凭空想象，而是基于真实文档回答问题。就像给AI配备了一个可以随时查阅的图书馆。

技术选型：为什么选择这些工具？

在开始编码之前，我需要选择合适的工具链。经过调研，我确定了以下技术栈：

向量数据库：Milvus（开源向量数据库，性能优异，支持百亿级向量检索）
Embedding模型：OpenAI的text-embedding-3-small（1024维，平衡了效果和成本）
LLM：通过OneAPI配置的DeepSeek模型（性价比高，中文能力强）
文档处理：LangChain框架（提供了丰富的文档加载器和分割工具）

这些工具的组合，构成了一个完整的RAG流水线。

第一步：环境搭建与数据准备

项目的第一步是配置环境。我使用.env文件管理敏感信息：

MILVUS_ADDRESS=your_milvus_addressMILVUS_TOKEN=your_milvus_tokenOPENAI_API_KEY=your_api_keyOPENAI_BASE_URL=your_base_urlEMBEDDING_MODEL_NAME=text-embedding-3-smallMODEL_NAME=deepseek-chat

数据准备阶段，我下载了《蛊真人》的纯文本版本。这是一部约800万字的长篇小说，恰好适合测试RAG系统的性能。

第二步：知识库构建——让机器理解小说

知识库构建是整个系统的基石。我设计了以下流程：

2.1 章节识别与分割

小说有其天然的结构——章节。我实现了一个splitByChapters函数，使用正则表达式匹配"第一节"、"第二节"等标记：

function splitByChapters(text) {const chapterRegex = /第[一二三四五六七八九十百千万]+节/g;// 查找所有章节标题，按位置分割文本// 返回包含章节内容和元数据的数组}

这样做的好处是保持了小说的叙事完整性，每个片段都包含完整的故事情节。

2.2 文本分块（Chunking）

对于长文档，需要进一步分割成适合向量化的小块。我使用RecursiveCharacterTextSplitter，设置块大小为500字符，重叠50字符：

const textSplitter = new RecursiveCharacterTextSplitter({chunkSize: 500,chunkOverlap: 50,});

重叠部分确保上下文不丢失，就像两个相邻的拼图块有重叠的边缘。

2.3 向量化与存储

对每个文本块，我调用OpenAI的Embedding API将其转换为1024维的向量：

async function getEmbedding(text) {const result = await embeddings.embedQuery(text);return result;}

然后，将这些向量连同元数据（章节号、片段索引、书籍名称等）一起存入Milvus：

const insertData = await Promise.all(chunks.map(async (chunk, chunkIndex) => {const vector = await getEmbedding(chunk);return {id: `${bookId}_${chapterNum}_${chunkIndex}`,book_id: bookId,book_name: BOOK_NAME,chapter_num: chapterNum,index: chunkIndex,content: chunk,vector}}))

为了提升性能，我使用Promise.all并发处理向量生成，大大加快了插入速度。

第三步：集合管理——Milvus的优雅设计

在Milvus中，数据以"集合"（Collection）的形式组织。我设计了一个ensureBookCollection函数，负责集合的创建、索引构建和加载：

async function ensureBookCollection(bookId) {// 检查集合是否存在const hasCollection = await client.hasCollection({collection_name: COLLECTION_NAME,});// 如果不存在，创建集合并定义schema// 字段包括：id, book_id, book_name, chapter_num, index, content, vector// 创建向量索引，使用IVF_FLAT算法和COSINE相似度await client.createIndex({collection_name: COLLECTION_NAME,field_name: 'vector',index_type: IndexType.IVF_FLAT,metric_type: MetricType.COSINE,});// 加载集合到内存await client.loadCollection({collection_name: COLLECTION_NAME});}

索引类型选择IVF_FLAT，这是一种高效的近似最近邻搜索算法，在海量数据中也能快速检索。

第四步：语义搜索——从模糊匹配到智能理解

传统搜索依赖关键词匹配，而语义搜索能理解问题的真实含义。当用户问"贾金生是谁杀的？"时，系统会：

将问题向量化
在Milvus中搜索最相似的向量
返回相关的原文片段

const searchResult = await client.search({collection_name: COLLECTION_NAME,vector: queryVector,limit: 3,metric_type: MetricType.COSINE,output_fields: ['id', 'content', 'book_id', 'chapter_num', 'index', 'book_name'],})

搜索结果按相似度得分排序，得分越高表示相关性越强。

第五步：智能问答——让知识活起来

最后，我将检索到的相关内容作为上下文，构建Prompt送给LLM：

const prompt = `你是一个专业的《蛊真人》小说助手。基于小说内容回答问题...请根据以下小说片段内容回答问题：${context}用户问题：${question}回答要求：1. 如果有相关信息，给出详细准确的回答2. 可以综合多个片段的内容3. 如果没有相关信息，如实告知4. 可以引用原文内容AI助手的回答：`

这个Prompt设计有几个关键点：