# 先把要问答的 PDF 都丢进 docs/ 文件夹
mkdir docs
# ...把几个 pdf 拷进 docs/ ...

python -m venv .venv && source .venv/bin/activate    # 建并进车间
pip install llama-index          # RAG 主流框架（一装带齐大部分依赖）
export OPENAI_API_KEY=sk-你的key  # LlamaIndex 默认用 OpenAI 做嵌入和生成

from llama_index.core import SimpleDirectoryReader

# 读 docs/ 下所有文件，变成 Document 列表（每个含正文 + 来源文件名/页码）
docs = SimpleDirectoryReader("docs").load_data()
print(f"读入 {len(docs)} 个文档片段")
print(docs[0].text[:80])         # 瞄一眼第一段读到的正文

from llama_index.core import VectorStoreIndex, StorageContext, load_index_from_storage
import os

if os.path.exists("storage"):                       # 已建过？直接加载，别重算
    ctx = StorageContext.from_defaults(persist_dir="storage")
    index = load_index_from_storage(ctx)
else:
    # 一句话完成：切分→embedding→存进（默认内置）向量库
    index = VectorStoreIndex.from_documents(docs)
    index.storage_context.persist("storage")        # 存盘，下次秒加载

print("索引就绪 ✅")

# similarity_top_k=3：检索最相关的 3 段（回忆 Day25 的 top-k）
query_engine = index.as_query_engine(similarity_top_k=3)

resp = query_engine.query("公司年假有几天？")   # 问一句
print(resp)                                    # 打印模型据检索内容给出的答案

# 做成循环，就是个能反复问的小助手
while True:
    q = input("\n问我点啥（回车退出）：")
    if not q:
        break
    print(query_engine.query(q))

resp = query_engine.query("公司年假有几天？")
print("答案：", resp, "\n")
print("依据来自：")
for node in resp.source_nodes:                    # 这次答案引用的检索片段
    src = node.metadata.get("file_name", "未知文件")
    page = node.metadata.get("page_label", "?")
    print(f"  · {src} 第 {page} 页（相关度 {node.score:.2f}）")
    print(f"    “{node.text[:50]}...”")            # 原文摘录，可核对

✋ 动手 10 分钟：跑通你的第一个 RAG

把 L02-L05 的代码拼成一个 rag.py,往 docs/ 里丢 1~2 个你手边的 PDF(说明书、简历、任意文档都行),跑起来问几句:

mkdir rag_demo && cd rag_demo
mkdir docs                       # 把 1~2 个 pdf 拷进 docs/
python -m venv .venv && source .venv/bin/activate
pip install llama-index
export OPENAI_API_KEY=sk-你的key  # 或换国产/本地模型
# 新建 rag.py：粘 L02(读) + L03(建索引) + L04(query循环) + L05(打印出处)
python rag.py                    # 开始问答！问文档里真实存在的信息，看它能不能带出处答对

作品集提示:这个小项目稍加打磨(加个 README、录段演示、补上 Day27 的评测数字),就是简历上拿得出手的第一个 RAG 项目。Day62 会教你把它包装成完整作品。