RAG 入门实战：做一个个人笔记问答助手

想让 AI 根据自己的笔记回答问题，却不知道文档切分、向量检索和大模型该怎么串起来？

这门免费课将带你使用 Python + LangChain，从几段学习资料开始，逐步做出一个个人笔记问答助手：读取本地 Markdown / TXT 笔记，用自然语言检索相关片段，再让大模型结合原文回答，并展示参考来源。

你会跟着学到：

• 跑通第一次 RAG 问答，看清检索与生成的分工
• 读取与切分笔记，为片段保留文件名和来源信息
• 理解 Embedding，建立、保存和加载向量索引
• 根据问题查找相关片段，调整切分与检索参数
• 组织提示词，让模型结合资料回答并标注引用
• 核对回答依据，排查检索漏答和缺少依据的问题
• 修改笔记后重建索引，让后续问答使用更新的资料
• 接入 FastAPI 和配套页面，在本机网页上使用

适合有 Python 基础、想入门 RAG 与知识库问答的同学，无需提前掌握 LangChain、LangGraph 或向量数据库。

学完后，你将亲手做出一个能在网页上使用的笔记问答助手：

• 用自己的话查笔记：通过自然语言问题寻找相关内容，观察不同问法下的检索结果。
• 结合原文得到回答：把检索到的片段交给模型，整理成便于阅读的解释。
• 顺着引用核对依据：查看回答引用的文件与原文片段，判断资料是否支持模型的说法。
• 找到问题再尝试改善：区分资料没有答案、检索漏掉依据和回答偏离原文，通过固定问题比较调整前后的效果。

课程计划采用免费带敲视频形式，配套笔记、示例资料与源码。网页使用配套成品页面，课程讲解 Python 问答逻辑与接口连接。生成模型使用 DeepSeek，嵌入模型需另行配置；调用在线模型需自备相应 API Key，模型调用费用自理。

对这个方向感兴趣的话，欢迎点个「想学」，也可以留言聊聊你希望用哪些资料来做问答。