本教程演示了如何利用检索增强生成（RAG）构建个人健康知识库。其目标是将静态的医疗 PDF 报告转化为动态、可查询的系统。LlamaIndex 负责编排整个流程，Unstructured.io 处理复杂的 PDF 数据提取，Pinecone 作为向量存储。该系统结合了历史个人数据与当前医学文献。该架构采用混合智能方法：DuckDB 用于基于 SQL 的结构化个人指标趋势分析，而 Pinecone 则存储来自医学研究的非结构化语义上下文。Unstructured.io 的 hi_res 策略对于从 PDF 中提取表格至关重要。系统需要 Python 3.10+、Unstructured.io 以及 Pinecone API 密钥。表格通过 Unstructured.io 提取并进行结构化分析过滤。诸如生物标志物水平等结构化数据存储在 DuckDB 中以进行时间序列分析。医疗笔记和研究内容存储于 Pinecone 以实现语义检索。LlamaIndex 的 SQLAutoVectorQueryEngine 智能路由用户查询：将关于个人趋势的问题导向 DuckDB，将关于医学意义的问题导向 Pinecone。这使得能够执行综合性查询，例如分析个人胆固醇趋势并对照当前指南。最终输出通过合并个人趋势分析与循证背景，提供可操作的健康洞察。尽管此设置旨在用于学习，但生产系统需要更严格的数据隐私保护和医学依据。结论强调，RAG 能够将数据情境化以生成可操作的洞察，从而超越简单的文档对话。