本指南将手把手教你如何构建一个基于 RAG（检索增强生成）技术的智能聊天机器人应用。
一、什么是 RAG？
RAG，全称为 Retrieval-Augmented Generation，意为“检索增强生成”。通俗点说，它的核心思想是：在大语言模型（LLM）回答问题时，为它提供与问题相关的外部信息，从而提升回答的准确性和实用性。
二、为什么要用 RAG？
虽然 LLM 很强大，但它只能基于训练时学到的数据进行推理。当你提出一些训练数据之外的问题时（例如：公司内部知识、最新发生的事件等），模型往往无法准确回答。RAG 机制通过实时检索相关资料，并把这些资料作为“上下文”提供给模型，从而解决这个问题。
比如：
普通对话：
用户：我最喜欢的食物是什么？
AI：我无法知道你个人的喜好。
加入上下文后的对话：
上下文：用户最喜欢吃鸡块。
用户提问：我最喜欢的食物是什么？
AI：你最喜欢的食物是鸡块！
这个例子展示了 RAG 的核心价值：通过“上下文增强”，让模型能正确回答原本答不出的个性化问题。
三、RAG 的原理结构
RAG 由以下几个核心步骤组成：
1. 嵌入（Embedding）
嵌入是一种将文本（或图片、语音等）转换为“向量”（一串数字）的技术。在向量空间中，相似的内容会更接近。我们可以通过“余弦相似度”计算两个向量的相似性。
举例来说，“猫”和“狗”的向量就会比较接近，而“猫”和“汽车”就相对更远。
2. 拆分内容（Chunking）
如果要处理较长的文本，比如一篇文章，就需要先将其拆成一个个较小的“段落”或“句子”，然后对每一段进行嵌入处理。
在本项目中，我们采用简单的按句号（.）分句的方式进行拆分。
3. 数据存储
将生成的每段文字和其对应的向量嵌入一起存入数据库中，方便后续进行语义检索。本项目使用 PostgreSQL 数据库，并借助 pgvector 插件支持向量检索功能。
4. 检索 & 生成（RAG 流程）
当用户发起问题时：
- 将用户提问进行嵌入处理；
- 在数据库中查找与该提问最相关的内容（基于向量相似度）；
- 将这些相关内容作为“上下文”，连同用户原始提问，一起交给模型生成答案。
四、动手实战：构建一个 RAG 聊天机器人
技术栈
- 前端：Next.js 14（App Router）、shadcn-ui、TailwindCSS
- AI 接口：OpenAI（GPT 模型）
- 向量数据库：PostgreSQL + pgvector
- ORM：Drizzle ORM
- AI 工具：AI SDK
项目准备
- 克隆项目模板：
git clone https://github.com/vercel/ai-sdk-rag-starter
cd ai-sdk-rag-starter
pnpm install
- 创建数据库
你可以选择：
- 使用 Vercel Postgres（免费托管）；
- 或者在本地搭建 Postgres。
- 配置数据库连接
复制 .env.example 为 .env 并设置数据库连接字符串：
cp .env.example .env
设置 DATABASE_URL。
- 执行数据库迁移：
pnpm db:migrate
- 配置 OpenAI API Key
前往 OpenAI 官网 获取 API Key，填入 .env 文件中。
五、添加嵌入逻辑
创建嵌入表
新建 lib/db/schema/embeddings.ts 文件，定义用于存储拆分内容和嵌入向量的数据库表结构。
添加嵌入处理函数
创建 lib/ai/embedding.ts 文件，添加：
generateChunks：文本拆分generateEmbeddings：调用 OpenAI API 获取向量嵌入
使用 AI SDK 提供的 embedMany 工具，简化调用流程。
六、改造后端接口，支持嵌入生成与存储
修改 lib/actions/resources.ts 中的 createResource 函数，在保存资源的同时自动生成嵌入并写入数据库。
七、搭建前端界面
修改 app/page.tsx，使用 AI SDK 提供的 useChat Hook 快速构建聊天 UI。运行开发服务器：
pnpm dev
八、添加模型响应功能（API 路由）
在 app/api/chat/route.ts 中编写接口，接收用户消息，调用 OpenAI 模型生成响应。使用 streamText 实现流式返回。
可以通过 system 指令限制模型只根据工具（tool）返回的信息进行回答。
九、添加工具（Tool）：增强模型能力
添加 addResource 工具
让模型可以自动将用户提供的知识存入数据库（如“我最喜欢的电影是《星际穿越》”）。
添加 getInformation 工具
让模型可以根据用户提问，从数据库中检索相关信息作为回答依据。
检索过程：
- 对问题进行嵌入
- 查数据库中语义最相近的文本段
- 返回这些段落作为上下文
十、体验与优化
- 在页面中显示模型调用的工具名称（如：calling tool: addResource）；
- 设置
maxSteps: 3，支持模型多轮调用工具并继续生成最终回答； - 查看数据库中的内容变化，验证是否真正保存了嵌入信息。
总结
你已经成功构建了一个支持：
✅ 用户输入
✅ 实时嵌入内容
✅ 向量语义检索
✅ 工具调用增强模型能力
✅ RAG 工作流串联
的智能聊天机器人！
未来你可以进一步拓展：
- 多语言支持
- 图片/文档嵌入
- 多模态输入
- 权限与身份识别
