★ FEATURED ARTICLE 授权与合规声明本文为技术实操分享全部示例均运行于作者自建的隔离环境文中涉及的第三方服务均使用其官方公开接口与公开文档。内容仅代表个人实践经验不构成任何商业或法律建议涉及平台规则以官方最新发布为准。1. 为什么数据少也该先把 RAG 跑起来很多想入行 AI 应用开发的同事卡在第一步就放弃了手里只有几篇产品文档甚至一份正经资料都没有就觉得「没数据还玩什么知识库」。这个判断其实把目标设高了。RAG检索增强生成的价值不在于一开始就有海量语料而在于「让模型回答时先去翻你给的资料而不是凭记忆编」。哪怕只有 5 篇文档只要检索链路能正确把相关内容捞出来、喂给大模型回答质量就已经比裸模型稳很多。冷启动阶段真正要验证的只有一件事你的 retrieval 到底 work 不 work。数据少不是不做 RAG 的理由而是先把最小闭环跑通再用真实问答反向补数据。2. 先厘清冷启动阶段的 RAG 到底是什么RAG 的标准定义是「检索增强生成」Retrieval-Augmented GenerationLewis 等人在 2020 年提出详见附表 A。但在冷启动语境下我更愿意把它拆成一条极简链路用户提问 → 把问题向量化 → 去向量库里捞最相关的几块文本 → 连同问题一起喂给大模型 → 大模型基于这些文本作答注意这里有两处「智能」一处是向量检索能不能捞对一处是生成能不能基于捞到的内容说人话。冷启动时最容易出问题的是第一处——捞不对后面生成再强也是胡说。所以本文的重心放在「先把检索这条线跑通」而不是追求生成多惊艳。这也是「先有再优」的核心先让系统能端到端回答再逐步把数据、切块、评估做厚。3. 最小可运行流程七步走通第一个 RAG把冷启动拆成七步每一步都可以单独验证不必等全部齐活文档收集产品手册、FAQ、内部 wiki、聊天记录导出能拿到什么算什么。清洗去空行、去页眉页脚、统一编码去掉和问答无关的导航噪声。切块chunk把长文档切成检索单元第 4 章细说。向量化用 embedding 模型把每块文本转成向量。检索用户提问时向量化问题从向量库取 top_k 最相似的块。问答把命中的块拼进 prompt交给对话模型生成答案。评估用一小批真实问题看检索命中率和回答可用性。下面用开源向量库 Chroma 给出一个最小可运行的骨架。它能在没有真实 embedding 服务时先用占位逻辑跑通流程你把自己的接口换进去即可。⚠️代码待验证importchromadb# 1) 准备文档冷启动阶段可能只有几篇docs[产品退货需在签收后 7 天内发起申请。,企业版支持 SSO 单点登录需联系管理员开通。,]# 2) 切块简化此处每篇当 1 块真实场景见第 4 章chunks[dfordindocs]# 3) 建库并写入使用默认 embedding也可替换为你自己的接口clientchromadb.Client()colclient.create_collection(kb_demo)col.add(documentschunks,ids[fdoc_{i}foriinrange(len(chunks))],)# 4) 检索 拼接问答阶段把 top_k 结果喂给大模型hitscol.query(query_texts[怎么退货],n_results2)print(hits[documents])跑通这一步你就已经拥有了一个「能检索」的 RAG。哪怕数据只有两行它也能在提问「怎么退货」时把对应那块捞出来——这比想象中更有用因为它证明了链路是通的。这份资料是什么把本文的七步流程拆成可复制的工程模板含切块与检索的可运行样例。放在资料包里扫码即可获取4. 切块策略怎么选一张对比表说清切块chunking是冷启动最容易踩坑的环节。块太大检索粒度粗一问捞一大片噪音块太小语义被切碎单块又答不全。下面这张表对比常见策略切块策略适用场景优点缺点冷启动推荐度固定长度按字数/ token文档结构乱、无标题层级实现简单、可控易截断句子语义断裂中先跑通用递归字符分割按段落→句子通用长文档尽量保留语义边界需调分隔符优先级高默认首选按标题/结构切片手册、API 文档有清晰目录块内主题一致依赖源文档规范高手册类优先语义切块按相似度断句散文、无结构文本块内语义紧凑计算成本高、需调阈值低数据少时收益有限冷启动建议从「递归字符分割」起步配合固定长度兜底。下面是一个带重叠的固定切块函数避免边界处把一句话劈成两半⚠️代码待验证deffixed_chunk(text:str,chunk_size:int300,overlap:int50)-list[str]:固定长度切块带重叠避免截断语义。chunks,start[],0whilestartlen(text):chunks.append(text[start:startchunk_size])startchunk_size-overlapreturnchunks经验值中文场景 chunk_size 取 200–500 字、overlap 取 10%–20% 通常能平衡粒度与连贯。具体数值靠第 7 步评估反推不必一次定死。5. 数据极少时的补数策略当文档真的少到可怜甚至有「零文档」的极端情况可以用下面几条策略把冷启动语料先垫起来。注意补数是为了让检索链路尽快有东西可验不是伪造权威知识。补数来源获取成本质量用法建议产品手册 / 官网帮助中心低公开可得高、权威优先收录按结构切片历史 FAQ / 客服话术中需整理中高直接做问答对入库用 LLM 生成合成问答低自动批量中需人工抽检扩样本、补长尾问题社区/论坛高赞回答中中需去噪作辅助语料标注来源其中「合成问答」是冷启动扩样本最实用的手段拿你仅有的几篇源文档让 LLM 基于它们生成若干组问答对再把这些问答对作为检索语料或评估集。下面给出调用示例接口为伪代码替换成你自己的即可⚠️代码待验证importrequests,jsondefsynth_qa(source_doc:str,api_url:str,api_key:str)-list[dict]:用小样本源文档让 LLM 生成合成问答对来扩充冷启动语料。promptf基于下面文档生成 3 组问答对只输出 JSON\n{source_doc}resprequests.post(api_url,headers{Authorization:fBearer{api_key}},json{model:your-model,messages:[{role:user,content:prompt}]},)returnjson.loads(resp.json()[choices][0][message][content])除了补数据冷启动还应准备规则兜底当向量检索置信度低、或命中的块太少时直接走关键词规则返回固定答案避免模型在没资料时硬编。一个最简兜底配置⚠️代码待验证{fallback_rules:[{match:[退货,退款],answer:退货需在签收后 7 天内发起详见帮助中心。},{match:[登录,密码],answer:可点击登录页「忘记密码」自助重置。}]}补数 兜底的组合能让你的第一个 RAG 在「数据少」阶段也给出体面、可控的回答。6. 冷启动路线图与决策表把前面的内容收敛成一张决策表根据你当前的数据量直接对号入座行动。当前数据量首要目标推荐动作何时进入下一阶段0 篇纯空白先有链路写 5–10 条 FAQ 规则兜底跑通检索检索能稳定命中即进下一步1–10 篇验证 retrieval按结构切片 合成问答扩样本建小库用 20 条问题评估命中率 可接受阈值10–50 篇优化切块与评估调 chunk 策略、加评估集、补长尾命中稳定后接真实用户流量50 篇以上规模与质量引入元数据过滤、混合检索持续迭代评估指标路线图一句话总结先让系统能答 → 再让检索捞对 → 最后才谈规模与精致。冷启动最忌在「数据不够」上纠结太久而不去验证链路本身。这份资料是什么冷启动路线图与决策表的完整清单按数据量分情况给出可直接套用的行动项。放在资料包里扫码即可获取7. 小结先有再优用小样本验证 retrieval回到开头那个误区——「没数据就别做 RAG」。事实恰恰相反数据越少越该尽早把最小 RAG 跑起来因为你要验证的是检索链路本身而不是语料厚度。回顾七步收集 → 清洗 → 切块 → 向量化 → 检索 → 问答 → 评估。冷启动阶段不求每块都完美只要「提问能捞到对的块」这条主线通了就有了一个可迭代的基座。数据少时用产品手册、FAQ、合成问答把样本垫起来再配一层规则兜底第一个能用的 RAG 就立住了。截至 2026-10-26主流开源向量库Chroma、FAISS、Qdrant 等与公开 embedding 接口都已成熟搭第一个 demo 的成本很低。别等数据齐了再开始——先有再优比完美更重要。附表 A本文引用事实与出处对照表关键事实 / 数据出处出现位置RAG检索增强生成由 Lewis 等人于 2020 年提出论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》(arXiv:2005.11401)第 2 章Chroma / FAISS / Qdrant 为开源向量数据库各项目官方文档公开可检索第 3、7 章切块常见策略含固定长度、递归字符分割、按结构、语义切块LangChain 等框架公开文档通用技术共识第 4 章开源向量库与 embedding 接口截至 2026-10-26 已成熟可用截至 2026-10-26 各官方项目公开状态公开可检索第 7 章附表 B术语速查表术语含义RAG检索增强生成先检索相关资料再让大模型作答向量数据库存储文本向量并支持相似度检索的数据库embedding把文本映射为向量的模型能力chunk检索单元长文档切分后的小块文本top_k检索时返回相似度最高的 k 个结果冷启动在数据极少甚至无数据阶段搭建系统的过程合成数据用 LLM 基于源文档自动生成的问答等训练/评估样本写在最后这篇用到的资料写这篇文章时我自己在搭第一个知识库时也卡在「没数据」这一步于是把踩过的坑和能直接套的模板整理了出来顺手也整理了几份配套的东西全套 AGI 大模型学习路线从 0 到能上手 RAG 的路线与关键节点RAG 实战工程模板本文七步流程的可运行脚手架与切块样例冷启动补数清单产品手册 / FAQ / 合成问答的采集与整理清单资料是我自己整理的放在下面这个码上扫码即可获取资料较多建议先看「全套 AGI 大模型学习路线」再挑一个实战项目跟练。
阅读完成 · 觉得有帮助？
