知识就是力量！｜RAG 让 Agent 变成真正的"IT 专家"

不吃草的牛德

发布于 2026-05-06 12:48:12

2340

文章被收录于专栏：RustRust

一、没有 RAG 的 Agent 会怎样？

假设用户问了一个问题：

"公司内网的 VPN 连接不上，错误代码 807，怎么办？"

没有 RAG 的回答

Agent：您好，VPN 连接问题可能有多种原因，建议您：

1. 检查网络连接
2. 重启 VPN 客户端
3. 联系 IT 部门

如需更多帮助，请提供详细信息。

问题： 这个回答太泛泛了，没有针对错误代码 807 给出具体解决方案。

有 RAG 的回答

Agent：您好！错误代码 807 通常表示 VPN 连接超时。根据公司 IT 手册，建议您： 解决方案：

1. 检查防火墙设置，确保允许 VPN 连接
2. 尝试切换网络（如从 Wi-Fi 切换到有线网络）
3. 如果使用的是公司 VPN 客户端 v2.3，请更新到最新版本 v2.5

参考文档： IT 手册第 3 章 - VPN 故障排查 如果以上方法都不行，我可以帮您开一个工单。

区别： 有 RAG 的 Agent 能从知识库中找到具体的解决方案，回答更准确、更有用！

二、RAG 是什么？

RAG = Retrieval-Augmented Generation（检索增强生成）

简单说，就是让 AI 在回答问题之前，先去"查资料"。

工作流程

用户提问
    │
    ▼
┌─────────────┐
│  1. 检索    │  ← 在知识库中查找相关内容
└─────────────┘
    │
    ▼
┌─────────────┐
│  2. 整合    │  ← 把找到的内容整合成上下文
└─────────────┘
    │
    ▼
┌─────────────┐
│  3. 生成    │  ← 基于上下文生成回答
└─────────────┘
    │
    ▼
  回答用户

为什么需要 RAG？

问题	RAG 的解决方案
AI 可能"胡说八道"	有知识库支撑，回答有据可查
AI 不知道公司内部信息	把公司文档加入知识库
信息可能过时	更新知识库即可，不用重新训练模型

三、向量检索：怎么"找"到相关内容？

通俗理解

想象你在图书馆找书：

• 传统方式：按书名、分类找，效率低
• 向量检索：告诉图书管理员"我要找关于 VPN 错误 807 的内容"，他会帮你找到所有相关的书

技术原理

1. 把文字变成向量
- • 用 Embedding 模型把文字转换成一串数字（向量）
- • 相似的内容，向量也相似
2. 计算相似度
- • 用户问题和知识库内容都变成向量
- • 找到最相似的几条内容
3. 返回结果
- • 把最相关的内容返回给 Agent

图示

用户问题："VPN 错误 807 怎么办？"
         │
         ▼
    [Embedding 模型]
         │
         ▼
    问题向量 [0.2, 0.8, 0.1, ...]
         │
         ▼
┌─────────────────────────────────────┐
│           知识库向量存储             │
│  ┌─────────────────────────────┐   │
│  │ VPN 错误 807 解决方案 [0.21, 0.79, 0.12, ...] │ ← 相似度高！
│  │ VPN 配置指南 [0.5, 0.3, 0.7, ...]            │
│  │ 打印机故障排查 [0.1, 0.2, 0.9, ...]          │
│  └─────────────────────────────┘   │
└─────────────────────────────────────┘
         │
         ▼
    返回最相关的内容

四、IT 知识库怎么搭建？

第 1 步：收集数据

需要收集的内容：

数据类型	示例
IT 手册	VPN 配置指南、打印机使用说明
故障记录	历史故障及解决方案
FAQ	常见问题及答案
操作文档	软件安装步骤、系统配置

第 2 步：文档分块

把长文档切成小块，方便检索：

原始文档（5000 字）
    │
    ▼
分成多个小块（每块 200-500 字）
    │
    ├── 块 1：VPN 连接问题排查
    ├── 块 2：VPN 错误代码说明
    ├── 块 3：VPN 配置步骤
    └── ...

第 3 步：生成向量

用 Embedding 模型把每个块变成向量：

"VPN 错误 807 通常表示连接超时..."
         │
         ▼
    [Embedding 模型]
         │
         ▼
[0.21, 0.79, 0.12, 0.35, ...]

第 4 步：存入向量数据库

把向量和原文存入数据库（如 Qdrant、Pinecone、Chroma）。

五、效果对比

场景：用户问"打印机卡纸怎么办？"

❌ 没有 RAG

Agent：打印机卡纸是很常见的问题。建议您：

1. 打开打印机盖子
2. 小心取出卡住的纸张
3. 关闭盖子后重试

如果问题持续，请联系 IT 部门。

✅ 有 RAG

Agent：您好！根据公司 IT 手册，打印机卡纸的处理步骤如下： 公司常用打印机 HP LaserJet Pro 的处理方法：

1. 打开打印机前盖（不是顶盖）
2. 取出硒鼓，放在干燥处
3. 用双手轻轻拉出卡住的纸张，注意不要撕破
4. 检查是否有碎纸屑残留
5. 装回硒鼓，关闭前盖

注意事项：

• 不要用力拉扯，可能损坏打印机
• 如果卡纸位置在后方，请联系 IT 部门（分机 8888）

参考： IT 手册 - 打印机维护章节

区别明显： 有 RAG 的回答更具体、更实用，还包含公司特定的信息！

六、技术实现：Rust 向量存储示例

下面是用 Rust 实现简单向量存储的核心代码：

/// 文档片段
pub struct DocumentChunk {
    pub id: String,
    pub content: String,
}

/// 检索结果
pub struct RetrievalResult {
    pub chunk: DocumentChunk,
    pub score: f32,
}

/// 简单的 RAG 引擎
pub struct SimpleRagEngine {
    chunks: Vec<DocumentChunk>,
}

impl SimpleRagEngine {
    pub fn new() -> Self {
        Self { chunks: Vec::new() }
    }

    /// 添加文档到知识库
    pub fn add_document(&mut self, id: &str, content: &str) {
        self.chunks.push(DocumentChunk {
            id: id.to_string(),
            content: content.to_string(),
        });
    }

    /// 搜索相关内容
    pub fn search(&self, query: &str, top_k: usize) -> Vec<RetrievalResult> {
        // 简化版：实际项目用向量相似度计算
        let mut results = Vec::new();
        for chunk in &self.chunks {
            if chunk.content.contains(query) {
                results.push(RetrievalResult {
                    chunk: chunk.clone(),
                    score: 1.0,
                });
            }
        }
        results.truncate(top_k);
        results
    }
}

实际项目中：

• 使用专业的向量数据库（Qdrant、Pinecone）
• 使用 Embedding 模型生成向量
• 用余弦相似度计算相关性

七、小结

这一篇，我们学习了：

1. RAG 的作用 - 让 Agent 能查知识库，回答更准确
2. 向量检索原理 - 把文字变向量，找相似内容
3. 知识库搭建步骤 - 收集、分块、向量化、存储
4. 效果对比 - 有 RAG vs 没 RAG 的回答区别

下一篇预告：为什么选 Rust 写 Agent

我们会总结整个项目，展示完整效果，并讲解 Rust 在 Agent 场景的优势。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2026-05-01，如有侵权请联系 cloudcommunity@tencent.com 删除

连接

模型

agent

解决方案