RAG 每一步的原理细节这门课在阶段 4 讲过,想再深挖切分/检索/评测的工程实现,可以去 LlamaIndex 精讲(选学,学完回来继续 Day 62):

# 摄入骨架（以 LlamaIndex 为例，几行建好一座可检索的图书馆）
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
from llama_index.core.node_parser import SentenceSplitter

# 1) 读：把 docs/ 文件夹里所有文档读进来（自动带上文件名当出处）
docs = SimpleDirectoryReader("docs").load_data()

# 2) 切：每块约 500 字、相邻块重叠 50 字（重叠防止把一句话拦腰切断）
splitter = SentenceSplitter(chunk_size=500, chunk_overlap=50)

# 3+4) 嵌入 + 存：建索引时自动完成"算向量→入向量库"
index = VectorStoreIndex.from_documents(docs, transformations=[splitter])

# 把索引存到磁盘，下次直接加载，不用重新摄入（离线线只跑一次！）
index.storage_context.persist("storage")
print("✅ 图书馆建好了，便签都上架编号完毕")

# 问答骨架：加载上一步建好的库，问一句，拿到答案 + 出处
from llama_index.core import StorageContext, load_index_from_storage

index = load_index_from_storage(StorageContext.from_defaults(persist_dir="storage"))

# 关键：给一条"只依据资料、否则说不知道"的系统纪律
SYSTEM = "你是文档助手。只根据检索到的资料回答；资料没提到就回答'资料中未找到'，不要编。"

engine = index.as_query_engine(similarity_top_k=4, system_prompt=SYSTEM)  # 捞前4张便签
resp = engine.query("试用期怎么请假？")

print(resp)                                   # 人话答案
for node in resp.source_nodes:                # 出处：这答案参考了哪些便签
    print("📎 出处：", node.metadata.get("file_name"), "  相关度：", round(node.score, 2))

# 极简评测骨架：跑一批问题，统计答对率
golden = [
    {"q": "试用期能请年假吗？",   "must_have": "试用期不享受年假"},
    {"q": "报销单几天内交？",     "must_have": "15个工作日"},
    # ... 攒够 20~30 条，覆盖常见问题和边角问题
]
hit = 0
for case in golden:
    answer = str(engine.query(case["q"]))
    ok = case["must_have"] in answer          # 简版判分：期望要点是否出现在答案里
    hit += ok
    print(("✅" if ok else "❌"), case["q"])
print(f"答对率：{hit}/{len(golden)} = {hit/len(golden):.0%}")   # ← 这个数字写进简历