向量数据库与 RAG - AI 应用开发实战

← 返回课程AI 应用开发实战 › 第 6 关

进度 0%

第 6 关：向量数据库与 RAG

Python高级

📖 本课目标

本关属于《AI 应用开发实战》第 6 课。阅读右侧代码模板，理解每一行的作用，然后动手修改并完成练习。

🎯 本课要点

向量数据库与 RAG
检索增强生成的基本原理

🛠 学习方式

阅读右侧代码模板中的注释与实现
修改代码，尝试达成新的效果
点击「运行」查看实际输出
确认理解后点击「提交」标记本关完成

💡 说明

本关为 Python，浏览器内无法真正执行该语言。当前「运行」输出为演示结果，请在本地环境中编译运行以验证代码。

main.pytest.py

# 向量数据库与 RAG
# 检索增强生成的基本原理

import math

class SimpleVectorDB:
    """简易向量数据库"""
    
    def __init__(self):
        self.documents = []
        self.vectors = []
    
    def add(self, text):
        self.documents.append(text)
        # 简化的向量化（实际中用 embedding 模型）
        self.vectors.append(self._simple_embed(text))
    
    def _simple_embed(self, text):
        """简单的词频向量化"""
        words = text.lower().split()
        vector = {}
        for w in words:
            vector[w] = vector.get(w, 0) + 1
        return vector
    
    def search(self, query, top_k=3):
        """搜索最相似的文档"""
        query_vec = self._simple_embed(query)
        scores = []
        for i, doc_vec in enumerate(self.vectors):
            score = self._cosine_similarity(query_vec, doc_vec)
            scores.append((score, i))
        scores.sort(reverse=True)
        return [(self.documents[i], s) for s, i in scores[:top_k]]
    
    def _cosine_similarity(self, a, b):
        """余弦相似度"""
        all_keys = set(a.keys()) | set(b.keys())
        dot = sum(a.get(k, 0) * b.get(k, 0) for k in all_keys)
        mag_a = math.sqrt(sum(v**2 for v in a.values()))
        mag_b = math.sqrt(sum(v**2 for v in b.values()))
        if mag_a * mag_b == 0:
            return 0
        return dot / (mag_a * mag_b)

# 构建知识库
db = SimpleVectorDB()
knowledge = [
    "Python 是一种解释型高级编程语言，适合数据分析",
    "JavaScript 是 Web 前端开发的核心语言",
    "C++ 是一种高性能编程语言，常用于游戏开发",
    "机器学习是人工智能的一个分支",
    "深度学习使用多层神经网络进行模式识别",
]
for doc in knowledge:
    db.add(doc)

# RAG 流程
query = "Web 开发用什么语言？"
print(f"查询: {query}\n")

# 1. 检索
results = db.search(query, top_k=2)
print("检索到的相关知识:")
for doc, score in results:
    print(f"  [{score:.2f}] {doc}")

# 2. 生成（模拟）
context = "\n".join(doc for doc, _ in results)
print(f"\nRAG Prompt:")
print(f"  根据以下信息回答问题:")
print(f"  {context}")
print(f"  问题: {query}")

点击「运行」或「提交代码」查看结果

📖 查看本课说明

第 6 关：向量数据库与 RAG

Python · 高级 · 《AI 应用开发实战》

向量数据库与 RAG
检索增强生成的基本原理

本关为 Python，浏览器无法真正编译运行，请在本地环境验证代码。