实践环节

在 Notebook 中处理数据

• 预处理 Amazon 商品数据集，为写入 Qdrant 做好准备。
• 启动本地 Qdrant 数据库。
• 将 Amazon 商品数据集写入 Qdrant 数据库。

在 Notebook 中实现简单的 RAG 流程

图 1 · RAG实战中的查询处理步骤

查看完整图下载 SVG下载 SVG

1. 将用户查询提交给嵌入模型，生成查询的向量表示。
2. 使用查询向量进行 ANN 搜索，以余弦相似度检索向量空间中距离查询最近的文本块。
3. 将检索上下文与用户查询填入提示词模板，生成完整提示词。
4. 把提示词提交给 LLM 生成最终答案，再通过 Streamlit 应用返回给用户。

后端与前端

将 RAG 流程逻辑移入后端应用，并相应调整前端，使其能够与更新后的后端通信。

基础可观测性

为 RAG 流程实现基础可观测性能力。

创建合成评估数据集

创建用于 RAG 流程初始评估的合成数据集。

评估单个示例

使用 RAGAS 框架，对 LangSmith 数据集中的一个示例执行评估。

运行完整数据集评估

将 RAGAS 评估整理为独立脚本，对整个 LangSmith 数据集计算指标，并将结果保存在平台中。