本文引导读者构建一个实用的检索增强生成（RAG）流程。文章首先详述了必要的环境配置，包括 Python 3.12、Docker 以及获取 Google Gemini API 密钥。随后，通过创建虚拟环境并安装必要的 Python 包来初始化项目。为存储向量嵌入，教程指导如何在 Docker 容器中运行 pgvector，并在 .env 文件中配置环境变量。文章呈现了清晰的目录结构，概述了需按顺序创建的五个 Python 文件。第一个脚本 01_setup_db.py 建立了一个包含向量列的 PostgreSQL 表并启用 pgvector 扩展，解释了选择 768 维以兼容性的原因。脚本 02_create_index.py 专注于为高效向量搜索创建 HNSW 索引，并提供了针对不同使用场景的可调整参数。03_ingest.py 涵盖了摄入过程，其中使用 Gemini 对文档进行嵌入并存储到数据库中，特别强调了文档与查询之间不同的 task_type。第四步在 04_search.py 中详细阐述，演示了如何将用户查询转换为向量嵌入，并利用 pgvector 执行语义搜索以检索相似文档。最后，05_rag.py 将这些组件集成到完整的 RAG 流程中。该脚本根据用户问题检索相关文档，利用此上下文构建提示词，随后使用 Gemini 生成基于事实的答案。文章还提供了验证步骤，以确认数据库设置、存储的文档以及嵌入维度。