语言模型常因缺乏对特定政策的了解而提供错误信息。检索增强生成（RAG）通过在与模型回答之前提供相关文档来解决这一问题。本指南使用图书馆的类比来解释 RAG：优秀的图书管理员会检索特定页面，而非仅依赖记忆。RAG 涉及检索相关段落、用这些段落增强提示，并基于该信息生成答案。在处理大型或频繁更新的文档时，或在成本效率至关重要的情况下，RAG 具有优势。RAG 允许进行针对性的文档检索，而无需将整个文档粘贴到每个提示中。本文概述了如何使用 Python 和 SQLite 为商店帮助中心构建一个简单的 RAG 系统。该系统将文档分块、为全文搜索建立索引、检索最相关的段落、构建提示，并验证答案的引用。实现过程包括一个 chunk_markdown 函数，用于将文档划分为有意义的段落，并保留标题以提供上下文。build_index 函数创建 SQLite FTS5 虚拟表来存储这些段落，从而实现高效的搜索。search 函数处理问题，通过添加同义词扩展问题、去除常见词，并使用稳健的方法查询索引。build_prompt 函数将检索到的段落格式化为编号来源供语言模型使用。check_answer 函数执行基本验证，以确保模型引用现有来源且不编造编号。核心 answer 函数协调这些步骤，首先搜索相关段落，仅在找到相关信息时才调用语言模型。提供了一个占位符 extractive_model 用于在无真实语言模型 API 的情况下进行测试。