检索数据与LLM结合，实现简单有效的RAG问答方案

方案简介

Naive RAG 是本仓库的基础 RAG 配方，也是后续所有高级与 Agentic RAG 技术的起点。RAG 通过从可靠来源找到正确信息并将其转化为有用答案，来提升 LLM 回答的准确性与相关性，解决大模型无法处理私有或最新信息、容易幻觉的问题。该配方组合 LangChain（检索与生成编排）、Pinecone（向量存储）与 Athina AI（评估），在 Colab notebook 中提供完整实现，适合希望在自己的项目中快速上手 RAG 的研究者与开发者。仓库明确说明它从 naive RAG 开始并逐步进阶到高级技术。

亮点与能力

• 将检索到的数据与 LLM 结合，生成简单有效的回答
• 包含完整的索引、检索、增强、生成四步流程实现
• 提供 Colab notebook 一键运行
• 集成 Athina AI 的端到端 RAG 评估
• 作为后续高级 RAG 技术的基础

组成与分工

• LangChain：负责 RAG 流程的编排，包括文档切分、嵌入、检索器与提示组装
• Pinecone：向量存储，存放文档块的嵌入并基于向量相似度检索相关文档
• Athina AI：对端到端 RAG 实现进行评估，检查系统的准确性与相关性
• Colab notebook：托管可运行的完整实现代码

实施步骤

1. 打开 notebook

点击仓库表格中 Naive RAG 一行的 "Open In Colab" 链接，在 Google Colab 中打开 naive_rag.ipynb。

2. 按序执行

依次运行 notebook 单元格，按 RAG 四个主要组件的流程：索引（文档切分并生成嵌入存入向量库）、检索（根据查询找到最相关文档）、增强（将查询与检索上下文组合成提示）、生成（模型生成最终回答）。

3. 评估

运行评估部分，使用 Athina AI 检查检索与生成结合的效果。

使用与配置要点

通过仓库表格中的 Open In Colab 链接直接在 Google Colab 中打开 naive_rag.ipynb notebook，按 notebook 中的单元格顺序运行即可完成从索引到生成再到评估的完整流程。验证成功的标志是 notebook 末尾的评估部分在 Athina AI 中正常运行并输出结果。

注意事项与常见问题

naive RAG 是基础版本，适合作为学习起点；若需要更好的检索效果，可参考仓库中的 Hybrid RAG、Hyde RAG 等进阶技术。每个 RAG 技术都附有研究论文/参考文献可供深入阅读。

优缺点

• ✓ 实现简单有效
• ✓ 含端到端评估

出处

本方案挖掘自开源项目 athina-ai/rag-cookbooks，方案内容与实施命令均来自其 README 原文。